Desarrollo de un software para la detección de anomalías en el tráfico de red industrial basado en técnicas de aprendizaje automático

Abstract

[ES] El trabajo consiste en el desarrollo de una solución software para la detección de anomalías en el tráfico de una red industrial utilizando técnicas de aprendizaje automático. La solución incorporará en primer lugar una capa de compresión con el objetivo de reducir el costo computacional. Seguidamente se aplicarán técnicas de aprendizaje profundo para la detección y clasificación del tráfico. Finalmente se implementarán técnicas estadísticas para la detección de anomalías. Para analizar la eficacia de la solución, se aplicará esta en varios ensayos con capturas de tráfico con anomalías conocidas. Los resultados obtenidos se compararán con los obtenidos por una suite predecesora existente a la que este trabajo pretende mejorar.

[CA] Desenvolupament d'una solució de programari per a la detecció d'anomalies en el trànsit de xarxes industrials mitjançant tècniques d'aprenentatge automàtic. La solució incorpora una capa de compressió per a reduir el cost computacional, tècniques d'aprenentatge profund per a la classificació del trànsit i la implementació de tècniques estadístiques per a la detecció d'anomalies. Per a analitzar l'eficàcia de la solució, s'ha aplicat aquesta en diversos assajos amb captures de trànsit amb anomalies conegudes. Els resultats s'han comparat amb els obtinguts per la suite predecessora, els quals es pretenen millorar.

[EN] The work consists in the development of a software solution for the detection of anomalies in the traffic of an industrial network using machine learning techniques. The solution will first incorporate a compression layer in order to reduce the computational cost. Next, deep learning techniques will be applied for traffic detection and classification. Finally, statistical techniques for anomaly detection will be implemented. To analyze the effectiveness of the solution, it will be applied in several trials with traffic captures with known anomalies. The results obtained will be compared with those obtained by an existing predecessor suite to which this work aims to improve.