DIDS: Un sistema de detección de intrusiones en tiempo real basado en redes neuronales profundas para IoT

El número de personas que utilizan dispositivos del Internet de las Cosas (IoT) ha explotado en los últimos años. El desarrollo instantáneo en el despliegue de dispositivos restringidos en numerosas áreas los hace vulnerables a ataques debido a recursos limitados. No se puede construir criptografía avanzada en estos modestos dispositivos alimentados por batería. Sin embargo, debido a las propiedades únicas de los dispositivos restringidos, las soluciones actuales son insuficientes para proteger el alcance completo de seguridad de las redes IoT. Se utiliza un Sistema de Detección de Intrusiones (IDS) basado en anomalías para identificar y categorizar ataques. Las técnicas de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL), capacitadas para incrustar inteligencia en dispositivos y redes IoT, pueden abordar diversos problemas de seguridad. En este artículo, hemos propuesto un sistema de detección de intrusiones basado en redes neuronales profundas para identificar paquetes maliciosos en tiempo real. Hemos utilizado conjuntos de datos basados en Netflow, recientemente desarrollados, para entrenar el modelo. Hemos propuesto un algoritmo de captura y detección de paquetes para la detección de ataques en tiempo real. También demostramos la precisión de nuestro modelo propuesto.