ACO-RDTC: Un marco híbrido de optimización de colonias de hormigas y clasificador de árboles de decisión aleatorios...

Área de la Ciencia:

• Ciberseguridad y Seguridad de Redes; Aplicaciones de Aprendizaje Automático; Seguridad de la Computación Móvil

Sus antecedentes:

• Las aplicaciones web móviles son críticas para servicios esenciales, pero se enfrentan a crecientes vulnerabilidades de ciberataques.; Las medidas de seguridad convencionales luchan con la naturaleza dinámica y con recursos limitados de los entornos móviles.; La identificación eficaz de intrusiones en sistemas móviles requiere soluciones avanzadas y adaptativas.

Objetivo del estudio:

• Proponer un marco de ciberseguridad híbrido novedoso, ACO-RDTC, para mejorar la detección de vulnerabilidades e intrusiones en aplicaciones web móviles.; Introducir un mecanismo adaptativo de refinamiento de subconjuntos de características adaptado a entornos móviles.; Mejorar la eficiencia y la precisión de la detección de amenazas en entornos móviles dinámicos.

Principales métodos:

• Un enfoque híbrido que combina la optimización de colonias de hormigas (ACO) para la optimización global y el clasificador de árboles de decisión aleatorios (RDTC) para la clasificación.; Preprocesamiento de datos utilizando la descomposición de valores singulares (SVD) para la reducción de dimensionalidad y SelectKBest para la selección de características.; ACO optimiza dinámicamente los hiperparámetros y refina los subconjuntos de características para RDTC, mejorando su rendimiento.

Principales resultados:

• El modelo ACO-RDTC logró un alto rendimiento en el conjunto de datos CSE-CIC-IDS 2018: 99,08 % de precisión, 98,50 % de precisión, 99,08 % de recuperación y 98,74 % de puntuación F1.; El modelo demostró una reducción significativa de falsos positivos en comparación con los métodos existentes.; Las pruebas entre conjuntos de datos en UNSW-NB15 confirmaron la generalización del modelo con una precisión del 97,82 %.

Conclusiones:

• El marco propuesto ACO-RDTC ofrece una solución robusta y escalable para proteger los entornos web móviles modernos.; El refinamiento adaptativo de características y la optimización mejoran significativamente las capacidades de detección de intrusiones.; El estudio destaca la eficacia de los modelos híbridos de aprendizaje automático para abordar desafíos complejos de ciberseguridad.