Predicción de ataques DoS y DDoS en escenarios de seguridad de red utilizando un modelo híbrido de aprendizaje profundo

Resumen La seguridad de la red enfrenta amenazas crecientes por ataques de denegación de servicio (DoS) y ataques de denegación de servicio distribuido (DDoS). Las soluciones actuales no han podido predecir y mitigar estas amenazas con suficiente precisión. Se presenta una solución novedosa y efectiva para predecir ataques DoS y DDoS en escenarios de seguridad de red mediante el empleo de un modelo efectivo, llamado CNN-LSTM-XGBoost, que es un enfoque híbrido innovador diseñado para la detección de intrusiones en la seguridad de la red. El sistema se aplica y analiza a tres conjuntos de datos: CICIDS-001, CIC-IDS2017 y CIC-IDS2018. Preprocesamos los datos eliminando datos nulos y duplicados, manejando datos desequilibrados y seleccionando las características más relevantes utilizando selección de características basada en correlación. El sistema se evalúa utilizando precisión, recall, puntuación F1 y exactitud. El sistema logra una mayor exactitud del 98.3% para CICIDS-001, 99.2% para CICIDS2017 y 99.3% para CIC-IDS2018, en comparación con otros algoritmos existentes. El sistema también reduce el sobreajuste del modelo utilizando las características más importantes. Este estudio muestra que el sistema propuesto es una solución efectiva y eficiente para la detección y clasificación de ataques a la red.