Un sistema de detección de intrusiones efectivo para la computación en el borde utilizando ConvNeXt y ResNet152V2

La proliferación de la computación en el borde, impulsada por aplicaciones de red y dispositivos inalámbricos, aumenta la vulnerabilidad de la información confidencial a riesgos de seguridad. En este entorno, los algoritmos de detección de intrusiones existentes no logran satisfacer los requisitos de respuestas rápidas, gestión de carga pesada de red, extracción inadecuada de características y clasificación imprecisa del modelo. En este trabajo, se mitiga el problema de datos desbalanceados en el conjunto de datos de entrada utilizando la Red Generativa Adversarial de Aumento de Datos (DAGAN). A continuación, se crea un método de extracción de características eficiente basado en ConvNeXt para recuperar las características clave del conjunto de datos para cada clase. Por último, se logra la detección de intrusiones de múltiples ataques a través del despliegue de un clasificador de aprendizaje profundo optimizado basado en ResNet152V2. Además, se realizan experimentos de simulación en los conjuntos de datos ToN-IoT y BoT-IoT, y los resultados demuestran que nuestro modelo sugerido tiene un mejor desempeño que los modelos existentes, con niveles de precisión del 99.20% y 99.31%, respectivamente. Estos hallazgos muestran que este enfoque es exitoso en la construcción y refinamiento de IDS a gran escala en el marco de la computación en el borde.