Mejorando la Detección de Intrusiones en Redes: Un Enfoque de Clasificador Simbólico mediante Programación Genética
Autores: Aneli, Nikola; Baressi egota, Sandi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la Detección de Intrusiones en Redes: Un Enfoque de Clasificador Simbólico mediante Programación Genética
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Investigación
Intrusiones en redes
Sistemas digitales
Datos sensibles
Clasificador Simbólico de Programación Genética
Búsqueda de Valores de Hiperparámetros Aleatorios
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Esta investigación subraya el imperativo primordial de discernir las intrusiones en la red como una medida fundamental para fortalecer los sistemas digitales y proteger los datos sensibles del acceso no autorizado, la manipulación y el posible compromiso. El objetivo principal de este estudio es aprovechar un conjunto de datos disponible públicamente, empleando un Clasificador Simbólico de Programación Genética (GPSC) para derivar expresiones simbólicas (SEs) dotadas de la capacidad para una detección de intrusiones en la red extremadamente precisa. Con el fin de aumentar la precisión de clasificación de las SEs, se conceptualizó e implementó una metodología pionera de Búsqueda Aleatoria de Valores de Hiperparámetros (RHVS) para discernir la combinación óptima de valores de hiperparámetros del GPSC. El GPSC fue entrenado a través de un robusto régimen de validación cruzada de cinco pliegues, mitigando los desequilibrios de clase dentro del conjunto de datos inicial mediante la aplicación de diversas técnicas de sobremuestreo, generando así iteraciones de conjuntos de datos equilibrados. Posteriormente a la adquisición de las SEs, se llevó a cabo la identificación del conjunto óptimo, basado en métricas que incluyen precisión, área bajo la curva de características operativas del receptor, precisión, recuperación y puntuación F1. Las SEs seleccionadas fueron sometidas a pruebas rigurosas en el conjunto de datos original desequilibrado. Los hallazgos empíricos de esta investigación subrayan la eficacia de la metodología propuesta, con las expresiones simbólicas derivadas alcanzando una impresionante precisión de clasificación del 0.9945. Si se compara la precisión lograda en esta investigación con la precisión promedio de vanguardia, la precisión obtenida en esta investigación representa una mejora de aproximadamente el 3.78%. En resumen, esta investigación contribuye con ideas relevantes sobre el despliegue eficaz de GPSC y RHVS para la meticulosa detección de intrusiones en la red, acentuando así el potencial para el establecimiento de defensas cibernéticas resilientes.
Descripción
Esta investigación subraya el imperativo primordial de discernir las intrusiones en la red como una medida fundamental para fortalecer los sistemas digitales y proteger los datos sensibles del acceso no autorizado, la manipulación y el posible compromiso. El objetivo principal de este estudio es aprovechar un conjunto de datos disponible públicamente, empleando un Clasificador Simbólico de Programación Genética (GPSC) para derivar expresiones simbólicas (SEs) dotadas de la capacidad para una detección de intrusiones en la red extremadamente precisa. Con el fin de aumentar la precisión de clasificación de las SEs, se conceptualizó e implementó una metodología pionera de Búsqueda Aleatoria de Valores de Hiperparámetros (RHVS) para discernir la combinación óptima de valores de hiperparámetros del GPSC. El GPSC fue entrenado a través de un robusto régimen de validación cruzada de cinco pliegues, mitigando los desequilibrios de clase dentro del conjunto de datos inicial mediante la aplicación de diversas técnicas de sobremuestreo, generando así iteraciones de conjuntos de datos equilibrados. Posteriormente a la adquisición de las SEs, se llevó a cabo la identificación del conjunto óptimo, basado en métricas que incluyen precisión, área bajo la curva de características operativas del receptor, precisión, recuperación y puntuación F1. Las SEs seleccionadas fueron sometidas a pruebas rigurosas en el conjunto de datos original desequilibrado. Los hallazgos empíricos de esta investigación subrayan la eficacia de la metodología propuesta, con las expresiones simbólicas derivadas alcanzando una impresionante precisión de clasificación del 0.9945. Si se compara la precisión lograda en esta investigación con la precisión promedio de vanguardia, la precisión obtenida en esta investigación representa una mejora de aproximadamente el 3.78%. En resumen, esta investigación contribuye con ideas relevantes sobre el despliegue eficaz de GPSC y RHVS para la meticulosa detección de intrusiones en la red, acentuando así el potencial para el establecimiento de defensas cibernéticas resilientes.