En años recientes, Los nuevos avances tecnológicos han llevado a un número creciente de dispositivos, desde computadoras más convencionales hasta otros dispositivos y electrodomésticos inteligentes, comunicarse y compartir datos entre sí. A pesar de sus ventajas, esta creciente interconexión entre dispositivos, conocido como Internet de las cosas (IoT), plantea serias amenazas a la seguridad.

De hecho, a medida que más dispositivos comparten datos a través de Internet, estos datos quedan expuestos a ciberataques, que son cada vez más frecuentes y sofisticados. Tres tipos de ataques que actualmente se consideran las mayores amenazas para los dispositivos de IoT son la denegación de servicio (DoS), ataques man-in-the-middle y SQL.

Conscientes de los riesgos asociados al aumento continuo de dispositivos IoT, Un equipo de investigadores de la Universidad Caledonian de Glasgow y la Universidad COMSATS en Pakistán han desarrollado recientemente un nuevo esquema que podría ayudar a proteger la información confidencial compartida a través de Internet. Este esquema de detección de intrusos, descrito en un documento presentado en la conferencia de Tecnologías Emergentes de China (UCET) de IEEE 2019, se basa en un algoritmo de colonia de abejas artificial (ABC) y una red neuronal aleatoria (RNN).

Un algoritmo ABC es una técnica de optimización de inteligencia de enjambre ampliamente utilizada en la investigación de inteligencia artificial (IA), que simula el comportamiento de búsqueda de alimento de las abejas melíferas para abordar problemas prácticos y computacionales. Una red neuronal aleatoria (RNN), por otra parte, es una clase de modelos de aprendizaje automático inspirados en el comportamiento de las redes neuronales biológicas en el cerebro humano.

"En este papel, se propone un esquema de detección de intrusiones basado en anomalías que puede proteger información sensible y detectar nuevos ciberataques, "Los investigadores escribieron en su artículo." El algoritmo de colonia de abejas artificiales (ABC) se utiliza para entrenar el sistema basado en la red neuronal aleatoria (RNN) (RNN-ABC) ".

Los investigadores entrenaron su esquema de detección de intrusiones RNN-ABC en el conjunto de datos NSL-KDD Train +. NSL-KDD es un conjunto de datos que se utiliza para entrenar algoritmos para detectar ciberataques, que contiene una gran cantidad de datos de registros de tráfico de Internet.

Después de entrenar su modelo RNN-ABC en datos de tráfico de Internet, los investigadores llevaron a cabo una serie de pruebas para evaluar su desempeño en la identificación y clasificación de ciberataques. Sus hallazgos son muy prometedores, ya que su esquema fue capaz de clasificar nuevos ataques con una notable precisión del 91,65 por ciento.

Además, el equipo comparó el nuevo modelo con un sistema de detección de intrusos existente basado en un perceptrón multijugador híbrido (MLP), un tipo de red neuronal artificial (ANN) entrenada mediante una técnica de aprendizaje supervisado conocida como retropropagación. Notablemente, encontraron que el esquema RNN-ABC superó significativamente a la técnica MLP, ya que se generalizó mejor a través de nuevos datos.

Curiosamente, los investigadores observaron que la precisión de su esquema para clasificar los ciberataques era mayor cuando el tamaño de la colonia de su componente de inteligencia de enjambre ABC era mayor, por lo tanto, cuando más "abejas artificiales" contribuyeron a la optimización del modelo. En el futuro, su método de detección de intrusos RNN-ABC podría usarse para desarrollar herramientas más eficientes para identificar ciberataques en una variedad de dispositivos conectados a Internet, en última instancia, mejorar la seguridad de las redes de IoT.

© 2019 Science X Network