Utilización de algoritmos adaptativos de aprendizaje automático para la alerta de riesgos de información y la conciencia de escenarios de seguridad de redes en entornos de computación en la nube

Jiahao Luo; Jingjing Xie

doi:10.3791/69633

Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.

Artículo de método

Utilización de algoritmos adaptativos de aprendizaje automático para la alerta de riesgos de información y la conciencia de escenarios de seguridad de redes en entornos de computación en la nube

55 vistas

⸱

DOI:

10.3791/69633

⸱

2 de junio de 2026

Jiahao Luo¹ , Jingjing Xie¹

¹Department of Information, Shanghai Proton and Heavy Ion Center, Shanghai Key Laboratory of Radiation Oncology, Shanghai Engineering Research Center of Proton and Heavy Ion Radiation Therapy

En este artículo

Resumen

El artículo propone una novedosa solución basada en Aprendizaje Automático (ML) para la seguridad adaptativa de redes en un sistema en la nube que integra clasificación jerárquica multi-etiqueta y un sistema dinámico de evaluación de confianza para mejorar la precisión en la detección de amenazas y disminuir el número de falsos positivos.

Resumen

Este estudio propone un marco novedoso para la conciencia situacional y la alerta de riesgos en seguridad de redes en entornos de computación en la nube, integrando Aprendizaje Automático (ML) adaptativo, Clasificación Jerárquica Multi-Etiqueta (HMC) y un mecanismo dinámico de evaluación de confianza basado en el modelo de nube. La complejidad, diversidad y naturaleza en tiempo real de los ciberataques emergentes —como los exploits de día cero, la denegación de servicio distribuida (DDoS) y las botnets— suponen desafíos significativos para los métodos tradicionales de detección estática y basados en reglas. Para abordar estos desafíos, desarrollamos una arquitectura de nube eficaz basada en SDN utilizando el controlador Ryu OpenFlow y los switches OpenFlow. Esta arquitectura permite la recopilación de información de enlaces en tiempo real, la programación dinámica y la transmisión de datos escalable y fiable. El marco de clasificación jerárquica sugerido puede descomponer problemas multiclase en tareas binarias, aliviando el efecto del desequilibrio de la muestra y mejorando el reconocimiento de ataques de baja frecuencia, incluyendo Usuario a Raíz (U2R). Las técnicas de aprendizaje en conjunto, incluyendo AdaBoost y Bagging, mejoran aún más la precisión de detección para tipos de ataque de grano fino. Los experimentos realizados con conjuntos de datos DDoS, datos de tráfico en la nube y simulaciones en Mininet y EstiNet demuestran que el enfoque combinado ML-HMC-confianza mejora significativamente la precisión de la detección, reduce los falsos positivos y permite la respuesta en tiempo real. Estos resultados confirman que integrar el aprendizaje adaptativo, la clasificación jerárquica y la evaluación dinámica de la confianza proporciona una solución robusta y escalable para asegurar plataformas de nube a gran escala.

Introducción

Con la aplicación generalizada de la tecnología de computación en la nube en diversas industrias, la escala y la cantidad de datos en los sistemas de información están aumentando rápidamente, y las amenazas de red se vuelven más complejas, ocultas y^dinámicas ^1,2. Los mecanismos tradicionales de defensa de seguridad basados en reglas y modelos estáticos ya no pueden cumplir con los requisitos de detección en tiempo real con una alerta temprana precisa ante estrategias de ataque cambiantes, vulnerabilidades de día cero y ataques distribuidos a gran^{escala 3}