Modelo de Inteligencia Artificial para detectar ataques de denegación de servicio

Resumen

El objetivo de este trabajo era crear un modelo que use técnicas de machine Learning o Deep Learning para actuar como primera línea de defensa contra ataques de denegación de servicio, ya más adelante definiremos este tipo de Ciberataque.

Los datos usados son de la universidad de New Brunswick, es un data-set el cual contiene tramas de tráfico tanto de peticiones sanas como nocivas, y es el trabajo del modelo detectar cual es cual. El data-set es otorgado libre de compromiso económico es puramente lectivo.

Dicho eso, ¿qué estructura tiene dicho modelo predictivo?; en primer lugar, los datos se dividen en dos subgrupos con una proporción 80/20, siendo los dos grupos el de entrenamiento y validación respectivamente. A los datos se les somete a un preproceso ya que el formato en el que vienen no es óptimo y entrenamiento de modelos es un factor para considerar ya que disminuye el tiempo de cómputo.

Se han entrenado dos modelos, uno es una red neuronal que usa capas, el otro es un modelo basado en arboles de decisión. En este documento veremos porque es mejor el segundo para nuestro caso particular.

Abstract:

The abstract of a dissertation is reserved for a brief explanation in English of all the goals, accomplishments and hardship of the project, what follows is just that.

The end goal is simple, create a system capable of detecting several different types of denial attacks to the integrity and security of a given network, Distributed Denial-of-Service (DDoS) Attack , come in a wide variety as there are many ways to inhibit , delay or even break down networks , which means we can't have a lineal approach to this issue , it must be dynamic by nature, that is why the choice for an AI model is a no brainer , given enough training and validation it will be capable of performing the task to a satisfactory degree.

With AI there are two paths one can take, either the path of machine learning, or that of deep learning, in it of itself it's a subgroup of the later, both are good, this dissertation dabbles in both to see which is more appropriate. The former is based on decision trees and the latter is based on a neural network of several layers.