Análisis de Rendimiento de Sistemas de Detección de Intrusiones Basados en Aprendizaje Profundo Explicable para Redes...

Área de la Ciencia:

• Ciberseguridad
• Inteligencia Artificial
• Internet de las Cosas

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) en los sistemas de detección de intrusiones (IDS) de IoT carecen de transparencia, lo que afecta la confianza y la confiabilidad.
• La IA Explicable (XAI) tiene como objetivo mejorar la interpretabilidad, pero su efecto en el rendimiento en IoT con recursos limitados no está claro.

Objetivo del estudio:

• Revisar sistemáticamente las compensaciones de rendimiento de los IDS basados en DL explicables para redes IoT.
• Analizar la precisión de detección, la sobrecarga computacional y la calidad de la explicación.
• Identificar brechas y proponer soluciones para la implementación práctica.

Principales métodos:

• Revisión sistemática de la literatura siguiendo la metodología PRISMA.
• Análisis de 129 estudios revisados por pares (2018-2025).
• Investigación de las compensaciones de la técnica XAI, arquitecturas DL y desafíos de implementación.

Principales resultados:

• Los enfoques existentes a menudo logran una alta precisión de detección a costa de la eficiencia computacional y la explicabilidad.
• Este desequilibrio limita la implementación práctica de IDS explicables en dispositivos de borde IoT.
• Existen brechas significativas en las prácticas de evaluación de XAI posteriores al despliegue.

Conclusiones:

• Se necesita un marco unificado para modelar el trilema entre rendimiento, eficiencia y explicabilidad en los IDS de IoT.
• El marco de evaluación XAI propuesto estandariza las métricas posteriores al despliegue.
• Se proporcionan información práctica para el desarrollo de IDS explicables confiables y eficientes para IoT.