Desarrollo de un modelo machine learning para la detección de ataques ddos en entornos de internet de las cosas (iot)

Abstract

La expansión del Internet de las Cosas (IoT) ha incrementado la vulnerabilidad de las redes a ataques de denegación de servicio distribuido (DDoS), particularmente a través de botnets IoT, lo que representa una amenaza considerable para las redes empresariales. Estos ataques pueden causar sobrecarga de tráfico y exponer datos confidenciales. Esta investigación se enfoca en desarrollar un modelo de aprendizaje automático para detectar ataques DDoS en entornos IoT, ofreciendo una solución efectiva ante esta creciente amenaza. El estudio tiene como objetivo principal diseñar un modelo de clasificación utilizando algoritmos de Machine Learning para identificar estos ataques. Para ello, se realizaron revisiones de la literatura, análisis de datos y selección de algoritmos, seguidos de un entrenamiento y evaluación exhaustivos del modelo propuesto. La metodología empleada combina datos cuantitativos con entrevistas cualitativas a expertos, lo que enriquece la investigación y asegura la validez de los resultados. Los hallazgos revelan que el modelo Random Forest, correctamente ajustado, ofrece alta precisión en la detección de ataques, con un AUC de 0.866, superando a modelos como XGBoost. Este estudio no solo mejora la detección de DDoS en IoT, sino que también avanza la ciberseguridad al adaptar técnicas de Machine Learning a las particularidades de los dispositivos IoT, contribuyendo significativamente al campo de la seguridad informática.