Detección de intrusos en redes basada en la estructura de secuencia de aminoácidos utilizando aprendizaje automático
Autores: Ibaisi, Thaer AL; Kuhn, Stefan; Kaiiali, Mustafa; Kazim, Muhammad
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Detección de intrusos en redes basada en la estructura de secuencia de aminoácidos utilizando aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Intrusiones
Redes informáticas
NIDSs
Seguridad de red
Técnicas de bioinformática
Mecanismo de codificación de aminoácidos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 48
Citaciones: Sin citaciones
La detección de intrusiones en redes informáticas, conocida como Sistemas de Detección de Intrusiones en Red (NIDS), es un campo crítico en la seguridad de redes. Los investigadores han explorado diversos métodos para diseñar NIDS con mayor precisión, medidas de prevención y una identificación más rápida de anomalías. Salvaguardar los sistemas informáticos mediante la identificación rápida de intrusos externos es crucial para la continuidad empresarial sin problemas y la protección de datos. Recientemente, se han adoptado técnicas de bioinformática en el diseño de NIDS, mejorando sus capacidades y fortaleciendo la seguridad de la red. Además, los investigadores en informática se han inspirado en los mecanismos de supervivencia de la biología molecular. Estos mecanismos diseñados por la naturaleza ofrecen soluciones prometedoras para los desafíos de seguridad de redes, superando a las técnicas tradicionales y llevando a mejores resultados. La integración de estos enfoques inspirados en la naturaleza no solo enriquece la informática, sino que también mejora la seguridad de la red al aprovechar la sabiduría de la evolución de la naturaleza. Como resultado, hemos propuesto un novedoso mecanismo de codificación de aminoácidos que está inspirado en la biología, utilizando aminoácidos esenciales para codificar transacciones de red y generar propiedades estructurales a partir de secuencias de aminoácidos. Este mecanismo ofrece ventajas sobre otros métodos en la literatura al preservar las relaciones de datos originales, lograr una alta precisión de hasta el 99%, transformar características originales en un número fijo de características numéricas utilizando mecanismos inspirados en la biología, y emplear métodos de aprendizaje automático profundo para generar un modelo entrenado capaz de detectar eficientemente transacciones de ataque a la red en tiempo real.
Descripción
La detección de intrusiones en redes informáticas, conocida como Sistemas de Detección de Intrusiones en Red (NIDS), es un campo crítico en la seguridad de redes. Los investigadores han explorado diversos métodos para diseñar NIDS con mayor precisión, medidas de prevención y una identificación más rápida de anomalías. Salvaguardar los sistemas informáticos mediante la identificación rápida de intrusos externos es crucial para la continuidad empresarial sin problemas y la protección de datos. Recientemente, se han adoptado técnicas de bioinformática en el diseño de NIDS, mejorando sus capacidades y fortaleciendo la seguridad de la red. Además, los investigadores en informática se han inspirado en los mecanismos de supervivencia de la biología molecular. Estos mecanismos diseñados por la naturaleza ofrecen soluciones prometedoras para los desafíos de seguridad de redes, superando a las técnicas tradicionales y llevando a mejores resultados. La integración de estos enfoques inspirados en la naturaleza no solo enriquece la informática, sino que también mejora la seguridad de la red al aprovechar la sabiduría de la evolución de la naturaleza. Como resultado, hemos propuesto un novedoso mecanismo de codificación de aminoácidos que está inspirado en la biología, utilizando aminoácidos esenciales para codificar transacciones de red y generar propiedades estructurales a partir de secuencias de aminoácidos. Este mecanismo ofrece ventajas sobre otros métodos en la literatura al preservar las relaciones de datos originales, lograr una alta precisión de hasta el 99%, transformar características originales en un número fijo de características numéricas utilizando mecanismos inspirados en la biología, y emplear métodos de aprendizaje automático profundo para generar un modelo entrenado capaz de detectar eficientemente transacciones de ataque a la red en tiempo real.