Modelo de detecção de intrusões melhorado com base em aprendizado profundo, utilizando aprimoramento de dados por GAN

Com o desenvolvimento da tecnologia da informação, o número e os métodos de ataques cibernéticos continuam a aumentar, tornando as questões de segurança da rede cada vez mais importantes. A detecção de intrusões tornou-se um meio vital de enfrentar ameaças cibernéticas. Os métodos atuais de detecção de intrusões dependem predominantemente de aprendizado de máquina. No entanto, o aprendizado de máquina sofre com limitações na capacidade de detecção e na necessidade de uma extensa engenharia de características. Além disso, os conjuntos de dados atuais de detecção de intrusões enfrentam o desafio do desequilíbrio de dados. Para abordar esses desafios, este artigo propõe uma solução inovadora que aproveita Redes Geradoras Adversariais (GANs) para equilibrar o conjunto de dados e introduz um mecanismo de atenção no gerador para extrair de forma eficiente informações-chave das características; o mecanismo pode classificar efetivamente as informações principais dos dados e capturar rapidamente características importantes. Subsequentemente, uma combinação de Redes Neurais Convolucionais 1D (1DCNN) e Unidades Recurrentes Gated Bidirecionais (BiGRU) é utilizada para construir um modelo de classificação capaz de extrair tanto características espaciais quanto temporais. Além disso, a Otimização por Enxame de Partículas (PSO) é utilizada para otimizar os pesos de entrada e os vieses ocultos do modelo, a fim de melhorar ainda mais a precisão e robustez do modelo. Finalmente, o modelo é treinado e implementado para detecção de intrusões em redes. Para demonstrar a aplicabilidade do modelo, experimentos foram realizados utilizando o conjunto de dados NSL-KDD e o conjunto de dados UNSW-NB15. Os resultados finais mostraram que o modelo proposto superou outros modelos, alcançando precisões de 99,15% e 97,33% nos respectivos conjuntos de dados. Isso indica que o modelo melhora a eficiência da detecção de intrusões em redes e garante melhor a eficácia da segurança da rede.