Ponente
Descripción
La creciente digitalización y el aumento del tráfico en las redes de comunicación generan grandes volúmenes de datos que los sistemas de ciberseguridad deben procesar continuamente. En este contexto, los enfoques tradicionales presentan limitaciones para adaptarse a entornos dinámicos caracterizados por elevados niveles de ruido y por la deriva conceptual (concept drift), entendida como la evolución de los patrones normales de comportamiento de la red debido a cambios en usuarios, aplicaciones o condiciones operativas.
Ante este escenario, la Memoria Temporal Jerárquica (Hierarchical Temporal Memory, HTM) surge como una alternativa prometedora. Al ser una arquitectura bioinspirada basada en principios del neocórtex, HTM permite el aprendizaje continuo, secuencial y no supervisado, adaptándose dinámicamente a nuevos patrones de red sin requerir procesos de reentrenamiento.
En los sistemas HTM, la capacidad de aprendizaje depende críticamente de la transformación de los datos de entrada en Representaciones Distribuidas Dispersas (Sparse Distributed Representations, SDR), cuya calidad está directamente ligada al tipo de codificador empleado. Dado que los atributos del tráfico de red poseen una naturaleza heterogénea combinando variables numéricas continuas (como el volumen de bytes o paquetes) con variables temporales (fecha y hora), la selección del codificador es un factor clave.
El objetivo de este trabajo es analizar el desempeño de distintos codificadores utilizados en HTM, específicamente Scalar Encoder, Random Distributed Scalar Encoder (RDSE) y DateTime Encoder, como mecanismos para preservar las relaciones semánticas de estos atributos multidimensionales y facilitar la detección temprana de anomalías.
La metodología se basa en el procesamiento del conjunto de datos de tráfico real UGR’16. Se emplearon configuraciones de alta dimensionalidad para evaluar cómo cada codificador transforma las variables heterogéneas en SDR, analizando su capacidad para mantener el solapamiento de bits necesario para el aprendizaje continuo del modelo frente a las fluctuaciones del entorno.
Los resultados preliminares indican que el codificador RDSE ofrece una representación más robusta frente a variaciones en los rangos de valores y fluctuaciones del tráfico, manteniendo la similitud semántica mediante un solapamiento controlado de bits, a diferencia de los codificadores escalares tradicionales, que mostraron una mayor sensibilidad a cambios abruptos. Estos hallazgos sugieren que la selección y configuración adecuada de los codificadores (como RDSE y DateTime) es un factor relevante y crítico para optimizar la capacidad de adaptación y la eficacia de los sistemas HTM orientados a la detección no supervisada de anomalías en redes de comunicación de gran escala.