Análisis y detección de Tráfico Malicioso mediante Machine Learning y Deep Learning
Notice bibliographique
Résumé
Los ataques distribuidos de denegación de servicio (DDoS) aparecieron por primera vez a mediados de los años 90, como ataques que impedían a los usuarios legítimos acceder a determinados servicios disponibles en Internet. Un ataque DDoS intenta agotar los recursos de la víctima para colapsar o suspender sus servicios. El Trabajo de Fin de Grado se centra en la aplicación de técnicas de inteligencia artificial al dataset CICDDoS2019 del Instituto Canadiense de Ciberseguridad, con el objetivo de diferenciar entre tráfico de red legítimo y tráfico de red malicioso. Se implementan y evalúan varios modelos de aprendizaje automático y aprendizaje profundo para identificar patrones de tráfico malicioso y detectar ataques DDos. El proyecto incluye una fase de preprocesamiento de datos, selección de características relevantes, y ajuste de modelos. Los resultados son analizados para determinar la efectividad de cada modelo en la clasificación precisa del tráfico, contribuyendo así a mejorar las estrategias de ciberseguridad. Abstract: Distributed Denial of Service (DDoS) attacks first appeared in the mid-1990s as attacks that prevented legitimate users from accessing certain services available on the Internet. A DDoS attack attempts to exhaust the victim's resources to crash or suspend its services. The Final Degree Work focuses on the application of artificial intelligence techniques to the Canadian Cybersecurity Institute's CICDDoS2019 dataset, with the objective of differentiating between legitimate network traffic and malicious network traffic. Several machine learning and deep learning models are implemented and evaluated to identify malicious traffic patterns and detect DDoS attacks. The project includes a data preprocessing phase, selection of relevant features, and model fitting. The results are analyzed to determine the effectiveness of each model in accurately classifying traffic, thus contributing to improve cybersecurity strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».