Análisis y Clasificación de Ataques de Aprendizaje Automático Adversarial contra Sistemas de Detección de Intrusiones en Redes Basados en Aprendizaje Automático

Los Sistemas de Detección de Intrusiones en Redes (NIDS) juegan un papel crítico en las infraestructuras modernas de ciberseguridad al monitorizar el tráfico de red e identificar actividades sospechosas o maliciosas. En los últimos años, las técnicas de aprendizaje automático han mejorado significativamente el rendimiento de los sistemas de detección de intrusiones al permitir el análisis automatizado del tráfico y la detección de anomalías. Sin embargo, la integración del aprendizaje automático en sistemas de seguridad también introduce nuevas vulnerabilidades que pueden ser explotadas por atacantes. Una de estas amenazas es el aprendizaje automático adversarial, donde actores maliciosos manipulan datos de entrenamiento o prueba para engañar a los modelos de aprendizaje automático y degradar su rendimiento. Este estudio presenta un análisis exhaustivo de ataques de aprendizaje automático adversarial dirigidos a sistemas de detección de intrusiones en redes. El trabajo explora cómo se generan muestras adversariales mediante la introducción de pequeñas perturbaciones en conjuntos de datos originales, lo que resulta en predicciones incorrectas por el modelo de detección de intrusiones. Además, el artículo clasifica los ataques adversariales basándose en varios criterios, incluidos el nivel de conocimiento del atacante, los objetivos de desclasificación, la fase de aprendizaje afectada y la violación de seguridad prevista. Comprender estas estrategias de ataque es esencial para diseñar sistemas de detección de intrusiones más robustos y seguros capaces de defenderse contra la manipulación adversarial.