Detección y clasificación automática de ciberataques en redes mediante modelos de aprendizaje supervisado

Actualmente, el incremento y perfeccionamiento de los ataques cibernéticos evidencia la necesidad de sistemas de detección de intrusiones más sólidos. En este estudio, se sugiere un método para detectar intrusiones en la red utilizando el conjunto de datos CICIDS2018. La técnica incorpora algoritmos de aprendizaje automático característicos de la modularidad, enfocándose más en el preprocesamiento de datos, la elección de atributos y la categorización con modelos que abarcan a Random Forest, XGBoost y árboles de decisión. Estas acciones posibilitan que el sistema logre altos grados de exactitud y flexibilidad en lo que respecta al hallazgo de patrones irregulares en la información registrada. Las evaluaciones detalladas demuestran que el método sugerido puede reducir los falsos positivos y negativos, manteniendo a la vez una sensibilidad excepcional. Estos hallazgos corroboran que el marco sugerido podrá incrementar la protección de la red y, simultáneamente, proporcionar una solución escalable para una posterior implementación en la vida real.

• Autores: Salcedo Suarez, Brayan Estiven
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/75962
• Acceso en línea: https://hdl.handle.net/1992/75962
• Palabra clave: Aprendizaje supervisado; Ciberataque; Random forest; XGBoost; Árboles de decisión; Ingeniería
• License: Attribution-NonCommercial-NoDerivatives 4.0 International