Análisis de Fourier aplicado a la detección de anomalías en señales de red

Carlos Bermeo-Zamora; Erika Mabel González Tobar; Kimberly Magaly López Cedeño

doi:10.59602/cys.v4i2.82

Autores/as

Carlos Bermeo-Zamora Universidad Técnica Estatal de Quevedo - Ecuador https://orcid.org/0000-0001-6532-7889
Erika Mabel González Tobar Universidad Técnica Estatal de Quevedo - Ecuador https://orcid.org/0000-0002-3984-1427
Kimberly Magaly López Cedeño Universidad Técnica Estatal de Quevedo - Ecuador https://orcid.org/0000-0002-6838-1474

DOI:

https://doi.org/10.59602/cys.v4i2.82

Palabras clave:

procesamiento digital de señales, transformada de Fourier, detección de anomalías, seguridad de redes, densidad espectral.

Resumen

El crecimiento sostenido del tráfico de datos en las redes de telecomunicaciones ha dificultado la identificación oportuna de patrones maliciosos, saturaciones de canal y fallos operativos. Esta investigación tuvo como objetivo evaluar la aplicación de la Transformada Rápida de Fourier (FFT) como criterio de detección de anomalías en el tráfico de red mediante análisis espectral. Se adoptó un enfoque cuantitativo de tipo experimental sustentado en simulación declarada: el comportamiento basal de la red se modeló en Python como una serie temporal con componentes periódicas y ruido gaussiano, sobre la que se inyectó una perturbación transitoria de alta frecuencia que emula una ráfaga de denegación de servicio (DDoS). El contraste entre el espectro del tráfico normal y el del tráfico comprometido evidenció que la anomalía concentra su energía en una banda claramente separada del perfil basal, con un pico dominante en 80 Hz que supera en más de diez veces el techo del ruido de fondo, lo que permitió definir un umbral de detección a partir de la razón de energía espectral. Se concluye que la descomposición espectral discrimina con eficacia los estados anómalos con una complejidad computacional baja, O (N log N), apta para escenarios de detección en tiempo real.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ahmad, Zeeshan & Shahid Khan, Adnan & Aqeel, Sehrish & Ahmadi Julaihi, Azlina Binti & Tarmizi, Seleviawati & Annuar, Noralifah & Habeeb, Mohammed. (2022). S-ADS: Spectrogram Image-based Anomaly Detection System for IoT networks. 105-110. 10.1109/AiIC54368.2022.9914599.

Arizaga Gamboa, J., Chicala Arroyave, J., & Alvarado Unamuno, E. (2022). Detección de ataque de DDoS utilizando Machine Learning – algoritmo de Random Forest. Serie Científica de la Universidad de las Ciencias Informáticas, 15(3), 45–53. https://dialnet.unirioja.es/servlet/articulo?codigo=8590684

Chen, F., Zhang, Y., Qin, Z., Fan, L., Jiang, R., Liang, Y., Wen, Q., & Deng, S. (2024). Learning multi-pattern normalities in the frequency domain for efficient time series anomaly detection. 2024 IEEE 40th International Conference on Data Engineering (ICDE), 747–760. IEEE.

Fang, Y., Xie, J., Zhao, Y., Chen, L., Gao, Y., & Zheng, K. (2024). Temporal-frequency masked autoencoders for time series anomaly detection. 2024 IEEE 40th International Conference on Data Engineering (ICDE), 1228–1241. IEEE.

Jaramillo Chamba, D., & Chuquimarca Jiménez, L. (2022). Estudio comprensivo de la Transformada de Fourier Discreta para el análisis de señales digitales. Revista Científica y Tecnológica UPSE, 9(1), 75–84. https://doi.org/10.26423/rctu.v9i1.664

Javaheri, D., Gorgin, S., Lee, J.-A., & Masdari, M. (2023). Fuzzy logic-based DDoS attacks and network traffic anomaly detection methods: Classification, overview, and future perspectives. Information Sciences, 626, 315–338.

Liu, Z., Hu, C., & Shan, C. (2021). Riemannian manifold on stream data: Fourier transform and entropy-based DDoS attacks detection method. Computers & Security, 109, 102392. https://doi.org/10.1016/j.cose.2021.102392

Nam, Y., Yoon, S., Shin, Y., Bae, M., Song, H., Lee, J.-G., & Lee, B. S. (2024). Breaking the time-frequency granularity discrepancy in time-series anomaly detection. Proceedings of the ACM Web Conference 2024, 4204–4215. https://doi.org/10.1145/3589334.3645556

Oppenheim, A. V., & Schafer, R. W. (2010). Discrete-time signal processing (3.ª ed.). Pearson.

Peng, X., Lin, Y., Cao, Q., Cen, Y., Zhuang, H., & Lin, Z. (2022). Traffic anomaly detection in intelligent transport applications with time series data using Informer. 2022 IEEE 25th International Conference on Intelligent Transportation Systems (ITSC), 3309–3314. https://doi.org/10.1109/ITSC55140.2022.9922142

Wang, S., Balarezo, J. F., Kandeepan, S., Al-Hourani, A., Chavez, K. G., & Rubinstein, B. (2021). Machine learning in network anomaly detection: A survey. IEEE Access, 9, 152379–152396.

Yi, K., Zhang, Q., Wang, S., He, H., Long, G., & Niu, Z. (2023). Neural time series analysis with Fourier transform: A survey. arXiv. https://arxiv.org/abs/2302.02173

Zhang, C., Zhou, T., Wen, Q., & Sun, L. (2022). TFAD: A decomposition time series anomaly detection architecture with time-frequency analysis. Proceedings of the 31st ACM International Conference on Information & Knowledge Management (CIKM '22). ACM.