Análise de características de navegação em redes para a detecção de intrusão com base em algoritmos bio-inspirados

Abstract

Com o constante aumento de usuários conectados à Internet, um grande volume de dados tem sido gerado a partir de várias redes. Em vista disso, a segurança cibernética está sendo cada vez mais afetada, havendo grande necessidade de estudos científicos na área. Sistemas de detecção de intrusão (IDS) cada vez mais robustos são constantemente desenvolvidos, visando proteger os dados que são trafegados nas redes. Estes sistemas analisam as características de fluxo de cada dispositivo na rede para identificar uma possível instrusão. Selecionar apenas as características que mais se relacionam com as intrusões influencia diretamente na velocidade da análise, além de auxiliar os classificadores a tomar decisões precisas ao identificar uma intrusão. Por outro lado, o desenvolvimento do aprendizado de máquina e de algoritmos de otimização inspirados na natureza têm impulsionado o avanço de diversas áreas tecnológicas. Assim, o presente trabalho apresenta uma metodologia de análise dessas características utilizando uma combinação de aprendizado de máquina e algoritmos bio-inspirados para detecção eficiente de intrusões na rede. Os resultados experimentais mostram que o método proposto aumenta a acurácia e a taxa de detecção do IDS, além de diminuir a taxa de falsos alarmes. Além disso, o método se mostrou competitivo com os principais trabalhos relacionados do estado da arte com desempenho semelhante ou superiror nas bases de dados NSL-KDD e UNSW-NB15

With the constant increase of users connected to the internet, a large volume of data is generated from various networks. Because of this, cybersecurity is being increasingly affected, with a great need for scientific studies in the area. Intrusion detection systems (IDS) are increasingly robust and constantly being developed to protect data that is transmitted over networks. These systems analyze the flow features of each user on the network to identify a possible intrusion. Selecting only the features that are most related to the intrusions influences the speed of the analysis, in addition to helping the classifiers to make accurate decisions when identifying an intrusion. On the other hand, the development of machine learning and optimization algorithms inspired by nature has driven the advancement of several technological areas. Thus, this work presents a methodology for analyzing these characteristics using a combination of machine learning and bio-inspired algorithms for efficient detection of network intrusions. The experimental results show that the proposed method increases the accuracy and detection rate of the IDS and decreases the false alarm rate. In addition, the method proved to be competitive with the main state-of-the-art related works with similar or superior performance in the NSL-KDD and UNSW-NB15 datasets