Análisis comparativo del aprendizaje profundo y los métodos tradicionales para la detección de botnets de IoT...

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Internet de las cosas (IoT)

Sus antecedentes:

• La rápida expansión de los dispositivos del Internet de las Cosas (IoT) ha introducido importantes vulnerabilidades de ciberseguridad.
• Las botnets representan una amenaza crítica para la infraestructura de la red, explotando estas vulnerabilidades.

Objetivo del estudio:

• Desarrollar un sistema de detección robusto y preciso para las botnets de IoT.
• Mejorar las defensas de ciberseguridad contra las amenazas emergentes en entornos de IoT.

Principales métodos:

• Un nuevo marco de conjunto que integra la red neuronal convolucional (CNN), la memoria de corto plazo bidireccional (BiLSTM), el bosque aleatorio (RF) y la regresión logística (LR) utilizando votación blanda ponderada.
• Implementación de la transformación uniforme cuántica para la reducción del sesgo de las características y un método de selección de características de múltiples capas.
• Evaluación del marco sobre los conjuntos de datos BOT-IOT, CICIOT2023 y IOT23.

Principales resultados:

• Se logró una precisión del 100% en el conjunto de datos BOT-IOT.
• Se ha demostrado una precisión del 99,2% en el conjunto de datos CICIOT2023 y del 91,5% en el conjunto de datos IOT23.
• Superó a los modelos de última generación existentes hasta en un 6,2%.

Conclusiones:

• El marco conjunto propuesto ofrece una solución escalable y de alto rendimiento para la detección de botnets de IoT.
• El modelo es adaptable a diversos escenarios de red, proporcionando optimizaciones prácticas para la implementación en el mundo real.
• Esta investigación mejora significativamente la seguridad de IoT al permitir una detección de amenazas más efectiva.