DETECCIÓN DE TRÁFICO MALICIOSO EN REDES IOT MEDIANTE REDES NEURONALES LSTM

Abstract

En las redes IoT, cualquier anomalía, incluyendo eventos fortuitos y ataques intencio- nados, puede poner a prueba la estabilidad y disponibilidad de la red. Cuando surge uno de los casos mencionados, tiene mucha importancia el poder detectar estos patrones para reaccionar a tiempo y evitarlos. En este trabajo, hemos analizado formas de detección de tráfico malicioso, modelando un dataset que contiene etiquetas de si el paquete recibido es maligno o benigno. Para ello, nos hemos basado en las redes neuronales LSTM y en redes neuronales MLP. Esto requiero un proceso de preprocesado de los datos, selección de características, creación del bloque de datos que vamos a introducir y el entrenamiento y prueba del modelo. El proceso llevado a cabo consiste en seleccionar el conjunto de datos que vamos a introducir en este modelo y la selección de características que van a ser procesadas por el mismo. Este paso es importante para optimizar el rendimiento de los algoritmos utilizados y su futura comparación de resultados. Una vez mostrados los resultados de las redes LSTM y las redes MLP, se ha procedido al análisis de los mismos y su comparación, demostrando que para secuencias temporales las redes LSTM muestran un mayor rendimiento y eficiencia.