Filtrando eventos de seguridad en forma conservativa mediante deep learning

Actualmente, los sistemas de seguridad utilizados en grandes organizaciones producen diariamente millones de eventos, que mediante otros productos se reducen a cientos de miles de alertas. Estas últimas deben ser analizadas por un conjunto reducido de personas, como los analistas de un Security Oper...

Descripción completa

Detalles Bibliográficos
Autores principales: Ferrado, Leandro, Cuenca Acuna, Matías
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2016
Materias:
Ciencias Informáticas
baseline
deep learning
stacked autoencoders
Security
SOC
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/56884
http://45jaiio.sadio.org.ar/sites/default/files/ASAI-02_0.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-56884
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
baseline
deep learning
stacked autoencoders
Security
SOC
spellingShingle Ciencias Informáticas
baseline
deep learning
stacked autoencoders
Security
SOC
Ferrado, Leandro
Cuenca Acuna, Matías
Filtrando eventos de seguridad en forma conservativa mediante deep learning
topic_facet Ciencias Informáticas
baseline
deep learning
stacked autoencoders
Security
SOC
description Actualmente, los sistemas de seguridad utilizados en grandes organizaciones producen diariamente millones de eventos, que mediante otros productos se reducen a cientos de miles de alertas. Estas últimas deben ser analizadas por un conjunto reducido de personas, como los analistas de un Security Operations Center (SOC), lo cual supone un trabajo abrumador para realizar manualmente. Por mucho tiempo se desarrollaron soluciones modelando detectores de anomalías que luego cuesta trasladar a la industria efectivamente por requerir suficientes datos de ataques. En este trabajo se propone modelar un baseline que requiera principalmente datos de eventos "normales" para entrenarse, y que sirva para retener sólo aquellos que se desvían del comportamiento normal asimilado. Se utilizaron Stacked Auto-Encoders en el diseño, una técnica popular de deep learning en forma no supervisada, y los resultados obtenidos con datos de NSL-KDD impulsan la viabilidad de este enfoque para señalar incidentes con precisión sobre eventos de seguridad.
format Objeto de conferencia
Objeto de conferencia
author Ferrado, Leandro
Cuenca Acuna, Matías
author_facet Ferrado, Leandro
Cuenca Acuna, Matías
author_sort Ferrado, Leandro
title Filtrando eventos de seguridad en forma conservativa mediante deep learning
title_short Filtrando eventos de seguridad en forma conservativa mediante deep learning
title_full Filtrando eventos de seguridad en forma conservativa mediante deep learning
title_fullStr Filtrando eventos de seguridad en forma conservativa mediante deep learning
title_full_unstemmed Filtrando eventos de seguridad en forma conservativa mediante deep learning
title_sort filtrando eventos de seguridad en forma conservativa mediante deep learning
publishDate 2016
url http://sedici.unlp.edu.ar/handle/10915/56884
http://45jaiio.sadio.org.ar/sites/default/files/ASAI-02_0.pdf
work_keys_str_mv AT ferradoleandro filtrandoeventosdeseguridadenformaconservativamediantedeeplearning
AT cuencaacunamatias filtrandoeventosdeseguridadenformaconservativamediantedeeplearning
bdutipo_str Repositorios
_version_ 1764820476696199173

Ejemplares similares