DEEP LEARNING PARA LA IDENTIFICACIÓN DE ANOMALÍAS EN TRÁFICO UTILIZANDO AUMENTO DE DATOS MULTIRESOLUCIÓN

Abstract

El presente Trabajo Fin de Grado introduce una innovadora red neuronal con estructura 'attention-like' para la detección de tráfico malicioso en redes de datos. La red se entrena utilizando flujos de paquetes previamente procesados mediante técnicas de aumento de datos que incluyen procesamiento multiresolución, permitiendo así al modelo aprender patrones relevantes en diferentes escalas de tiempo y frecuencia. Los datos se enriquecen utilizando diferentes frecuencias de análisis, generando múltiples representaciones del mismo flujo de paquetes para mejorar la capacidad del modelo en la identificación de tráfico malicioso.

La red neuronal propuesta se evalúa frente a modelos tradicionales como Multilayer Perceptron (MLP) y Máquinas de Soporte Vectorial (SVM-C), demostrando un rendimiento superior en la detección de tráfico malicioso. Se analizan los resultados en términos de precisión, sensibilidad y capacidad de detección, lo que permite destacar la eficacia del enfoque 'attention-like' junto con las técnicas de aumento de datos multiresolución. Este trabajo muestra la relevancia de combinar métodos de procesamiento avanzados con modelos de aprendizaje profundo para abordar los desafíos de seguridad en redes de datos.