Detecção de intrusão em redes de computadores usando autoencoders

Abstract

Sistemas de detecção de intrusos (IDS) têm se tornado um mecanismo essencial na segurança primária de uma rede de computadores protegendo-a contra ciber- ataques. Um IDS é geralmente baseado em assinaturas de padrões de intrusão conhecidas ou na detecção de anomalias no comportamento dos usuários na rede. Com o crescente avanço da aprendizagem de máquina e das redes neurais profundas, diversas soluções surgiram destas áreas para atacar esse problema. Neste estudo, foi investigado uma solução eficiente para detecção de intrusão usando uma arqui- tetura baseada em um autoencoder, treinado de forma semi-supervisionada, para detectar anomalias no trafego de uma rede de computadores. O modelo proposto utiliza a função de erro de reconstrução como limiar de detecção, a qual assume um papel fundamental na descoberta de uma eventual anomalia. O modelo foi ava- liado na base de dados NSL-KDD, um benchmark bastante conhecido e utilizado na tarefa de detecção de intrusão em redes de computadores. A taxa de acurácia e de F1-score da solução é de 90.49% e 91.80% respectivamente, apresentando um desempenho superior em relação a outros métodos considerados estado-da-arte no problema investigado.