Aseguramiento de redes IoT: un enfoque de aprendizaje automático para detectar patrones de tráfico inusuales

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje automático
• Seguridad de redes

Sus antecedentes:

• La rápida expansión de Internet de las Cosas (IoT) presenta importantes vulnerabilidades de seguridad debido a su arquitectura compleja y distribuida.
• Las medidas de seguridad existentes luchan por hacer frente a la escala y diversidad de las redes IoT, lo que requiere soluciones avanzadas.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje automático (ML) para mejorar la seguridad de las redes de Internet de las Cosas (IoT).
• Identificar y mitigar patrones de tráfico anómalos que indiquen amenazas de seguridad en entornos IoT.

Principales métodos:

• Se utilizó un pipeline integral de preprocesamiento de datos, que incluye limpieza, integración, transformación e ingeniería de características.
• Se integraron los conjuntos de datos NBaIoT y UNSW-NB15 para crear un entorno robusto para el análisis.
• Se evaluó el rendimiento de varios modelos de ML, incluidos Árbol de Decisión, SVM, Random Forest y una Red Neuronal.

Principales resultados:

• El modelo de árbol de decisión logró una precisión del 95%, SVM 96% y Random Forest 97%.
• El modelo de red neuronal demostró un rendimiento superior con 98% de precisión y 97% de recuperación.
• El marco basado en redes neuronales resultó más eficaz en la detección y prevención de anomalías en el tráfico IoT en comparación con otros modelos evaluados.

Conclusiones:

• El aprendizaje automático ofrece un enfoque prometedor para desarrollar soluciones de detección de anomalías robustas, escalables y en tiempo real para redes IoT.
• El marco de red neuronal propuesto muestra un potencial significativo para mejorar la seguridad de IoT.
• La investigación futura debe centrarse en la implementación práctica y la incorporación de conjuntos de datos y métodos de ML adicionales para mejorar la flexibilidad y resiliencia del modelo.