Year: 2023
Type: dissertation
Abstract: El trabajo propuesto se encuadra en el campo de la detección de ataques y conexiones maliciosas mediante técnicas de Machine Learning (ML), área de la ciberseguridad que continúa cobrando cada vez más importancia y centra la mayor parte de las investigaciones. Sin embargo, la mayor parte de estudios realizados sobre estas técnicas parten de conjuntos de datos artificiales en los que los ataques presentes resultan fácilmente reconocibles. En estas circunstancias, los algoritmos de ML obtienen puntuaciones elevadas, consecuencia sin embargo de un contexto inverosímil y no representativo de ninguna red real. Frente a dicho planteamiento, el estudio realizado supone un acercamiento hacia la realidad en el que las conexiones legítimas son extraídas de un entorno de red domiciliaria real. Asimismo, los ataques incorporados son obtenidos a partir de capturas de ataques registrados durante los seis primeros meses de 2022. Se probarán tanto las técnicas de aprendizaje supervisado como no supervisado comprobando que, lo que tradicionalmente funcionaba en conjuntos artificiales, no es aplicable en un entorno real. Finalmente, se concluye que, ante un escenario representativo de la realidad, a partir de los parámetros considerados, los algoritmos carecen de la información necesaria para realizar una la clasificación del tráfico de forma precisa. Sin embargo, gracias a este estudio, se han sentado las claves y líneas futuras sobre las que cimentar futuras investigaciones que podrían llevar a la detección de intrusiones y anomalías en un entorno real.
Source: Zaguan (Universidad de Zaragoza)
Authors: Ivars Carbó, Miguel, Alesanco Iglesias, Álvaro
Language: Spanish
Subfield: Computer Networks and Communications
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7046495801
