Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning

Autores
Becci, Graciela; Morandi, Miguel; Marrone, Luis
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El paradigma de Redes Definidas por Software SDN propone el control centralizado de la red, desacoplando los dispositivos de enrutamiento e independizando la red del software propietario. Esto ofrece la ventaja al controlador de tener una visión integral de la topología, y flexibilidad para generar reglas que gobiernen el comportamiento de toda la red. No obstante en una red SDN se agrega el desafío a la seguridad debido a su naturaleza distribuida: cada nodo es un punto de vulnerabilidad, y el controlador es pasible de ataques del tipo man-in-the-middle, en su conexión con el plano de aplicaciones, y con el plano de datos de los enrutadores. En seguridad de redes una de las herramientas básicas es el Sistema de Detección de Intrusión IDS, siendo la detección de amenazas un problema doble: identificación de datos sospechosos, y clasificación del flujo en normal o anómalo. Para aportar al diseño de un IDS es que en este artículo se presenta un resumen de los tipos de IDS con aplicabilidad en SDN y con el enfoque de Machine Learning, para dotar al IDS de inteligencia, mejorando la performance, y aprovechando las características de programabilidad del controlador SDN.
Sociedad Argentina de Informática e Investigación Operativa
Materia
Ciencias Informáticas
Redes Definidas por Software SDN
Sistemas de Detección de Intrusión IDS
Machine learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/121984
Acceder
id SEDICI_f2e0d4c29d56ed7377963d8028fd35ae
oai_identifier_str oai:sedici.unlp.edu.ar:10915/121984
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learningBecci, GracielaMorandi, MiguelMarrone, LuisCiencias InformáticasRedes Definidas por Software SDNSistemas de Detección de Intrusión IDSMachine learningEl paradigma de Redes Definidas por Software SDN propone el control centralizado de la red, desacoplando los dispositivos de enrutamiento e independizando la red del software propietario. Esto ofrece la ventaja al controlador de tener una visión integral de la topología, y flexibilidad para generar reglas que gobiernen el comportamiento de toda la red. No obstante en una red SDN se agrega el desafío a la seguridad debido a su naturaleza distribuida: cada nodo es un punto de vulnerabilidad, y el controlador es pasible de ataques del tipo man-in-the-middle, en su conexión con el plano de aplicaciones, y con el plano de datos de los enrutadores. En seguridad de redes una de las herramientas básicas es el Sistema de Detección de Intrusión IDS, siendo la detección de amenazas un problema doble: identificación de datos sospechosos, y clasificación del flujo en normal o anómalo. Para aportar al diseño de un IDS es que en este artículo se presenta un resumen de los tipos de IDS con aplicabilidad en SDN y con el enfoque de Machine Learning, para dotar al IDS de inteligencia, mejorando la performance, y aprovechando las características de programabilidad del controlador SDN.Sociedad Argentina de Informática e Investigación Operativa2020-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf14-31http://sedici.unlp.edu.ar/handle/10915/121984spainfo:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/ietf/IETFDay02.pdfinfo:eu-repo/semantics/altIdentifier/issn/2451-7623info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:01:07Zoai:sedici.unlp.edu.ar:10915/121984Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:01:07.899SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
title Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
spellingShingle Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
Becci, Graciela
Ciencias Informáticas
Redes Definidas por Software SDN
Sistemas de Detección de Intrusión IDS
Machine learning
title_short Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
title_full Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
title_fullStr Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
title_full_unstemmed Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
title_sort Diseño de sistemas de detección de intrusión en redes definidas por software: revisión basada en machine learning
dc.creator.none.fl_str_mv Becci, Graciela
Morandi, Miguel
Marrone, Luis
author Becci, Graciela
author_facet Becci, Graciela
Morandi, Miguel
Marrone, Luis
author_role author
author2 Morandi, Miguel
Marrone, Luis
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Redes Definidas por Software SDN
Sistemas de Detección de Intrusión IDS
Machine learning
topic Ciencias Informáticas
Redes Definidas por Software SDN
Sistemas de Detección de Intrusión IDS
Machine learning
dc.description.none.fl_txt_mv El paradigma de Redes Definidas por Software SDN propone el control centralizado de la red, desacoplando los dispositivos de enrutamiento e independizando la red del software propietario. Esto ofrece la ventaja al controlador de tener una visión integral de la topología, y flexibilidad para generar reglas que gobiernen el comportamiento de toda la red. No obstante en una red SDN se agrega el desafío a la seguridad debido a su naturaleza distribuida: cada nodo es un punto de vulnerabilidad, y el controlador es pasible de ataques del tipo man-in-the-middle, en su conexión con el plano de aplicaciones, y con el plano de datos de los enrutadores. En seguridad de redes una de las herramientas básicas es el Sistema de Detección de Intrusión IDS, siendo la detección de amenazas un problema doble: identificación de datos sospechosos, y clasificación del flujo en normal o anómalo. Para aportar al diseño de un IDS es que en este artículo se presenta un resumen de los tipos de IDS con aplicabilidad en SDN y con el enfoque de Machine Learning, para dotar al IDS de inteligencia, mejorando la performance, y aprovechando las características de programabilidad del controlador SDN.
Sociedad Argentina de Informática e Investigación Operativa
description El paradigma de Redes Definidas por Software SDN propone el control centralizado de la red, desacoplando los dispositivos de enrutamiento e independizando la red del software propietario. Esto ofrece la ventaja al controlador de tener una visión integral de la topología, y flexibilidad para generar reglas que gobiernen el comportamiento de toda la red. No obstante en una red SDN se agrega el desafío a la seguridad debido a su naturaleza distribuida: cada nodo es un punto de vulnerabilidad, y el controlador es pasible de ataques del tipo man-in-the-middle, en su conexión con el plano de aplicaciones, y con el plano de datos de los enrutadores. En seguridad de redes una de las herramientas básicas es el Sistema de Detección de Intrusión IDS, siendo la detección de amenazas un problema doble: identificación de datos sospechosos, y clasificación del flujo en normal o anómalo. Para aportar al diseño de un IDS es que en este artículo se presenta un resumen de los tipos de IDS con aplicabilidad en SDN y con el enfoque de Machine Learning, para dotar al IDS de inteligencia, mejorando la performance, y aprovechando las características de programabilidad del controlador SDN.
publishDate 2020
dc.date.none.fl_str_mv 2020-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/121984
url http://sedici.unlp.edu.ar/handle/10915/121984
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/http://49jaiio.sadio.org.ar/pdfs/ietf/IETFDay02.pdf
info:eu-repo/semantics/altIdentifier/issn/2451-7623
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
14-31
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260506821263360
score 13.13397

Publicaciones similares