Detección de Intrusiones en Redes Basada en Selección de Características y Optimización Metaheurística Híbrida

Las aplicaciones del internet de las cosas (IoT) se están utilizando cada vez más en muchos aspectos de nuestra vida diaria, lo que resulta en un enorme volumen de datos. La computación en la nube y la computación en la niebla, dos de las tecnologías más comunes utilizadas en aplicaciones de IoT, han llevado a importantes preocupaciones de seguridad. Los ciberataques están en aumento como resultado del uso de estas tecnologías, ya que las medidas de seguridad actuales son insuficientes. Se han propuesto varias soluciones de seguridad basadas en inteligencia artificial (IA), como los sistemas de detección de intrusiones (IDS), en los últimos años. Las tecnologías inteligentes que requieren preprocesamiento de datos y aumento del rendimiento de algoritmos de aprendizaje automático requieren el uso de técnicas de selección de características (FS) para aumentar la precisión de la clasificación minimizando el número de características seleccionadas. Por otro lado, los algoritmos de optimización metaheurística se han utilizado ampliamente en la selección de características en las últimas décadas. En este trabajo, proponemos un algoritmo de optimización híbrido para la selección de características en IDS. El algoritmo propuesto se basa en los algoritmos de optimización de lobo gris (GW) y de garganta de buceador (DTO), y se denomina GWDTO. El algoritmo propuesto tiene un mejor equilibrio entre los pasos de exploración y explotación del proceso de optimización y, por lo tanto, podría lograr un mejor rendimiento. En el conjunto de datos de IoT-IDS empleado, se evaluó el rendimiento del algoritmo GWDTO propuesto utilizando un conjunto de métricas de evaluación y se comparó con otros enfoques de optimización en la literatura para validar su superioridad. Además, se realiza un análisis estadístico para evaluar la estabilidad y efectividad del enfoque propuesto. Los resultados experimentales confirmaron la superioridad del enfoque propuesto para aumentar la precisión de clasificación de las intrusiones en redes basadas en IoT.