Selección Negativa y Algoritmo Basado en Redes Neuronales para la Detección de Intrusiones en IoT

El Internet de las Cosas expande los límites de Internet para incluir muchos dispositivos con capacidades computacionales y de energía limitadas. Esto limita la implementación de técnicas de seguridad como los Sistemas de Detección de Intrusiones. En este artículo, proponemos un algoritmo de clasificación novedoso diseñado específicamente para los Sistemas de Detección de Intrusiones en el Internet de las Cosas. Nuestra solución consiste en dos capas distintas. En primer lugar, empleamos un algoritmo de Selección Negativa para crear un conjunto de entrenamiento basado únicamente en el conocimiento del comportamiento normal de la red. Con base en estos datos, entrenamos una Red Neuronal simple que se utiliza para realizar la clasificación real. Este enfoque multicapa permite distanciar la complejidad del entrenamiento de los dispositivos IoT que tienen limitaciones computacionales y de energía. Además, la adición de la capa de Selección Negativa nos permite entrenar una Red Neuronal solo basada en el comportamiento normal/propio de la red, sin necesidad de datos de no propio/ataque. Llamamos a este algoritmo Red Neuronal de Selección Negativa (NSNN). Probamos el algoritmo contra el conjunto de datos KDD NSL. Los resultados de las pruebas llevan a la conclusión de que el algoritmo propuesto es capaz de funcionar como clasificador de detección de intrusiones en la red.