Aplicació de tècniques d'aprenentatge profund en un sistema de detecció d'intrusions amb trànsit de xarxa relacionat amb la Dark Web
Bibliographic record
Abstract
[ES] Los avances tecnológicos relacionados con las redes de computadores y con la tecnología de Internet de los últimos años han provocado un crecimiento exponencial de la cantidad de datos intercambiados en las comunicaciones digitales, y, por tanto, de los esfuerzos de los técnicos informáticos para proteger la seguridad, integridad y confidencialidad de los mismos. En este contexto, se han desarrollado numerosos tipos de software para prevenir y eliminar cualquier tipo de riesgo y amenazas que exponga la vulnerabilidad de los sistemas, usuarios, o cualquier tipo de dato. Con la motivación de introducirse y entender el funcionamiento de los sistemas de detección de ataques o intrusiones en redes de computadores, en este TFG se va a estudiar y utilizar técnicas de Deep Learning, tecnología base de la Inteligencia Artificial, aplicadas a un sistema de detección de intrusiones. Entre sus innumerables aplicaciones, el Deep Learning se ha utilizado con excelentes resultados en el análisis del tráfico de redes de computadoras. Se ha escogido el conjunto de datos CIC-Darknet2020, elaborado por el Canadian Institute of Cybersecurity (CIC), que contiene conexiones de red con tráfico benigno y otras conexiones asociadas a la Dark Web. La Dark Web engloba un conjunto de redes que están ocultas para los navegadores convencionales, cuyo acceso está limitado a ciertos protocolos y softwares específicos. Su principal característica es la de guardar la privacidad del usuario que realiza la conexión, es decir, la IP de su conexión. Dentro del conjunto de datos seleccionados, estas últimas conexiones de red están clasificadas como conexiones TOR y conexiones VPN, que son consideradas como tráfico sospechoso por los ya mencionados sistemas de detección de intrusos, debido a sus características de encriptación y anonimidad. Con todo esto, el objetivo del presente trabajo consistirá en estudiar el funcionamiento e implementación de las redes neuronales utilizadas en el Deep Learning, para, posteriormente, poner en práctica los conocimientos adquiridos implementando una red neuronal. La finalidad de esta red será detectar, con la mayor efectividad posible, las conexiones maliciosas del conjunto de datos CIC-Darknet2020, haciendo uso de las características técnicas de dichas conexiones como datos de entrada.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.003 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".