Marta Catillo
- GARR, Università del Sannio
- https://www.garr.it/
- https://www.unisannio.it/
9 ottobre 2019 - SESSIONE: Security: trend e applicazioni
Un sistema di rilevamento delle intrusioni basato sul deep learning
Un sistema di rilevamento delle intrusioni basato sul deep learning
Marta Catillo ha conseguito la Laurea Magistrale in Ingegneria Informatica presso l’Università degli Studi del Sannio. Da luglio 2018 a luglio 2019 è stata borsista GARR presso il Dipartimento di Ingegneria dell’Università degli Studi del Sannio dove ha svolto attività di ricerca e di sperimentazione per lo sviluppo di un sistema di rilevamento delle intrusioni di rete mediante tecniche di deep learning. Attualmente è borsista di ricerca presso il DING.
Marta Catillo received the M.Sc. degree in Computer Engineering from the University of Sannio. From July 2018 to July 2019, she was a GARR fellowship student at the Department of Engineering of the University of Sannio. In particular, she carried out research in deep learning in the network intrusion detection field, working on the design and develop of a network anomaly detector. She is now a research fellow at DING.
Un sistema di rilevamento delle intrusioni basato sul deep learning
Il rilevamento delle intrusioni è una delle maggiori sfide nell’ambito della sicurezza informatica. In tale contesto le deep learning network hanno un ruolo importante, perché consentono di analizzare i flussi di rete e di classificarli come “normali” o “intrusioni”. Questo lavoro presenta una architettura basata sul deep learning per il rilevamento degli attacchi di rete. Il problema è affrontato come un task semi-supervisionato, e il rilevatore di anomalie è basato su un deep Autoencoder. I risultati ottenuti mostrano il potenziale della soluzione proposta per il rilevamento di attacchi 0-day.
UA deep learning intrusion detection system
Intrusion detection is one of the major challenges in today’s security industry. In this context, deep learning networks may play an important role, by analyzing network flows and classifying them as “normal” or “intrusion”. This work presents a deep learning architecture for network attacks detection. The problem is tackled as a semi-supervised task, and the anomaly detector is based on a deep Autoencoder. The results obtained show the potential of the proposal for 0-day attack detection.
