Orquestación de modelos de aprendizaje automático en una arquitectura de enjambre para la detección de malware en...

Área de la Ciencia:

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

Sus antecedentes:

• El ecosistema del Internet de las cosas (IoT) se está expandiendo rápidamente, lo que aumenta la susceptibilidad a las ciberamenazas.
• Las vulnerabilidades en los dispositivos IoT los convierten en objetivos principales para los actores maliciosos, lo que representa riesgos de seguridad significativos.
• Los sistemas de detección de amenazas independientes existentes son inadecuados para proteger el complejo panorama de IoT.

Objetivo del estudio:

• Presentar un enfoque innovador de aprendizaje automático en línea basado en enjambres (SIML) para mejorar la seguridad de IoT.
• Desarrollar una solución de seguridad distribuida y de extremo a extremo para contrarrestar las amenazas emergentes de malware en entornos IoT.
• Reducir el riesgo de que los dispositivos IoT sean explotados para lanzar ciberataques.

Principales métodos:

• El enfoque propuesto de aprendizaje automático en línea basado en enjambres (SIML) aprovecha el procesamiento de datos coordinado de enjambres.
• Se aplicó el algoritmo Gradient-Boosting Tree dentro del marco SIML para la detección de amenazas.
• Se realizaron pruebas rigurosas utilizando los conjuntos de datos UNSW-NB15, BoT-Iot y Edge-IIoTset.

Principales resultados:

• El enfoque SIML logró una tasa de precisión del 93,7% y una tasa de precisión del 95% en el conjunto de datos UNSW-NB15.
• El algoritmo Gradient Boosting demostró un rendimiento superior en comparación con los métodos tradicionales en un entorno en línea.
• El método mostró un rendimiento superior en los conjuntos de datos BoT-Iot y Edge-IIoTset, con una degradación menor a un mayor rendimiento.

Conclusiones:

• SIML ofrece una solución robusta, distribuida y eficaz para proteger los entornos de Internet de las cosas contra las ciberamenazas.
• El método propuesto mejora significativamente la seguridad de los dispositivos IoT, reduciendo su vulnerabilidad a la explotación.
• Esta investigación contribuye a un futuro digital más seguro y resiliente a través de medidas avanzadas de seguridad IoT.