Modelo optimizado de aprendizaje automático de conjuntos para la clasificación de ciberataques en IoT industrial

Área de la Ciencia:

• Ciberseguridad
• Aprendizaje Automático
• Sistemas de Control Industrial (ICS)
• Internet de las Cosas (IoT)

Sus antecedentes:

• Los sistemas de control industrial (ICS) y los dispositivos IoT se enfrentan a crecientes ciberamenazas, especialmente en sectores críticos como el petróleo y el gas.
• Los métodos existentes de aprendizaje automático (ML) para la detección de ciberataques a menudo carecen de eficiencia computacional y se basan en la clasificación binaria.

Objetivo del estudio:

• Proponer y evaluar modelos optimizados de conjuntos apilados para mejorar la detección de ciberataques en entornos ICS y IoT.
• Reducir la sobrecarga computacional mientras se mejora la precisión de la detección de ciberamenazas sofisticadas.

Principales métodos:

• Se desarrollaron dos modelos optimizados de conjuntos apilados que integran diversos aprendices base (Regresión Logística, Clasificador de Árboles Extra, XGBoost, LGBM, RFC).
• Se seleccionaron modelos para abordar los desafíos en conjuntos de datos de seguridad, como el desequilibrio de clases, el ruido y los patrones de ataque complejos.
• Se evaluó la capacidad de los modelos para aprovechar diferentes límites de decisión y mecanismos de aprendizaje para mejorar la detección.

Principales resultados:

• El modelo Stacked Ensemble_2 logró una precisión del 97% con un tiempo de cómputo de 54 minutos.
• Stacked Ensemble_2 superó a Stacked Ensemble_1 y alcanzó una precisión del 100% con un AUROC del 99% en el conjunto de datos CICIDS 2017.

Conclusiones:

• El modelo propuesto Stacked Ensemble_2 ofrece una solución escalable y en tiempo real para proteger entornos ICS y IoT.
• Se demostraron avances significativos sobre los métodos tradicionales en precisión y eficiencia para detectar ciberamenazas en infraestructuras críticas.