Sistema de Detección de Intrusiones de Ataques Web Utilizando Técnicas de Aprendizaje Automático

Los ataques web a menudo tienen como objetivo las aplicaciones web porque se pueden acceder a través de una red y a menudo tienen vulnerabilidades. El éxito de un sistema de detección de intrusiones (IDS) en la detección de ataques web depende de un sistema de clasificación de tráfico eficaz. Varios estudios anteriores han utilizado métodos de clasificación de aprendizaje automático para crear un IDS eficiente con varios conjuntos de datos para diferentes tipos de ataques. Este documento utiliza el conjunto de datos del Sistema de Detección de Intrusiones del Instituto Canadiense de Ciberseguridad (CIC-IDS2017) para evaluar los ataques web. Importante, el conjunto de datos contiene 80 atributos de asaltos recientes, según lo reportado en el informe de McAfee de 2016. Se han evaluado tres algoritmos de aprendizaje automático en esta investigación, a saber, bosques aleatorios (RF), vecino más cercano (KNN) y bayes ingenuo (NB). El objetivo principal de esta investigación es proponer un algoritmo de aprendizaje automático eficaz para el modelo de ataques web del IDS. La evaluación compara el rendimiento de tres algoritmos (RF, KNN y NB) en función de su precisión y exactitud en la detección de tráfico anómalo. Los resultados indican que el RF superó al NB y al KNN en términos de precisión media alcanzada durante la fase de entrenamiento. Durante la fase de prueba, el algoritmo KNN superó a los demás, alcanzando una precisión media del 99.4916%. Sin embargo, RF y KNN lograron tasas de precisión y recuperación del 100% en comparación con otros algoritmos. Finalmente, los algoritmos RF y KNN han sido identificados como los más efectivos para detectar ataques web del IDS.