Detección de ataques realizados a un servidor por un nodo BOTNET mediante la implementación de un modelo de red neuronal de aprendizaje profundo (DEEP LEARNING) usando el conjunto de datos BETH

Este proyecto presenta la implementación de un modelo de red neuronal de aprendizaje profundo para la detección de ataques realizados a un servidor por un nodo botnet, utilizando el conjunto de datos BETH1. El contexto del trabajo se enmarca en la problemática actual de los ataques a la seguridad en los sistemas informáticos de redes y la necesidad de contar con medidas de control inteligentes para protegerlos. El problema que se plantea en este trabajo de grado es la detección de ataques de un nodo botnet a un servidor, ya que, estos causan daños significativos a la infraestructura de la red, entre ellos están: la generación de tráfico masivo de datos hacia un servidor, el envío de grandes de correos electrónicos no solicitados, la infección de dispositivos de la red, entre otros daños. Este problema es complejo debido a que los nodos botnet están diseñados para evadir los sistemas de detección de intrusos y el tráfico que se genera es similar al tráfico legitimo. La solución desarrollada consiste en la implementación de un modelo de red neuronal de aprendizaje profundo utilizando el conjunto de datos BETH, que contiene información de tráfico de red generado por nodos botnet y tráfico legítimo. El rendimiento del modelo es evaluado mediante métricas de desempeño como la precisión, el recall y la F1-score. Los resultados obtenidos muestran que el modelo propuesto logra una precisión de detección de nodos botnet del 91%, lo que indica que es una solución eficiente para la detección de ataques de este tipo. En conclusión, la implementación de un modelo de red neuronal de aprendizaje profundo para la detección de ataques de un nodo botnet en un servidor es una solución efectiva y eficiente. Los resultados obtenidos demuestran la importancia de utilizar técnicas avanzadas de análisis de datos y aprendizaje profundo para mejorar la seguridad informática de redes en el área de la detección de anomalías.

• Autores: García González, Julián Eduardo; Payares Mateus, Kevin Geancarlo
• Fecha de publicación: 2023
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/39595
• Acceso en línea: http://hdl.handle.net/11349/39595
• Palabra clave: Aprendizaje profundo; Servidores; Ciberataques; Seguridad de internet; Botnet; Redes neuronales; Aprendizaje automático; Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas; Detección de intrusos y ciberseguridad; Análisis de tráfico de redes y redes neuronales; Inteligencia artificial y seguridad informática; Deep learning; Servers; Cyber-attacks; Internet security; Botnet; Neural networks; Machine learning
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional