Un método para la identificación y prevención temprana de incidentes de ciberseguridad en dispositivos del Internet de las Cosas

Abstract

El incremento en la implementación de dispositivos ciberfísicos conectados a internet en los últimos años los ha vuelto un foco de interés para posibles atacantes que ven una oportunidad para vulnerar sistemas que se componen de estos dispositivos como lo son los sistemas IoT. Debido a las condiciones particulares de dichos dispositivos como su capacidad de procesamiento, la duración de su batería, entre otros, se añade un reto adicional para poder proteger la información asociada a los sistemas IoT en términos de disponibilidad, confidencialidad e integridad. Por esto, en el presente trabajo de investigación se propone un método basado en la unión de redes neuronales convolucionales y redes neuronales recurrentes para la detección y clasificación de ataques de denegación de servicios en el contexto IoT. Para este método se transforman los flujos de datos a un formato de imágenes de tres canales, método que ha probado ser efectivo para la detección de ataques que comprometen la ciberseguridad. El modelo generado tiene resultados prometedores con una tasa de clasificación correcta de más del 99% en la detección de ataques y una tasa superior al 96% para la clasificación de los ataques abordados. (Texto tomado de la fuente)

The increase in the adoption of cyber-physical devices connected to the Internet in recent years has made them a focus of interest for possible attackers who see an opportunity to violate systems that are made up with these devices, such as IoT systems. Due to the conditions of these devices such as their processing capacity, their battery life, among others, an additional challenge is added to be able to protect the information associated with IoT systems in terms of availability, confidentiality, and integrity. For this reason, in this research we propose a method based on the union of convolutional neural networks and recurrent neural networks for the detection and classification of denial-of-service attacks in the IoT context. For this method, the data flows are transformed into a three- channel image format, a method that has proven to be effective for detecting attacks that compromise cybersecurity. The generated model has promising results with an accuracy of more than 99% in the detection of attacks and a rate greater than 96% for the classification of the addressed attacks.