Análisis de la transferibilidad de mecanismos de detección de anomalías basados en aprendizaje automático en entornos de Internet de las Cosas

Abstract

Este proyecto se enfoca en analizar la transferibilidad de los mecanismos de detección de anomalías basados en aprendizaje automático en entornos de Internet de las Cosas (IoT). La transferibilidad se refiere a la capacidad de un mecanismo de detección de anomalías, entrenado con datos de una red específica, para ser efectivo en otra red. A pesar de las dificultades inherentes debido a las características propias de los sistemas de aprendizaje automático, se busca determinar si ciertos algoritmos son más robustos y transferibles, o si pueden ser reentrenados eficazmente con pocos datos de una nueva red.

El proyecto se estructura en varias fases clave. Inicialmente, se obtienen y analizan conjuntos de datos de entornos IoT proporcionados por expertos en ciberseguridad. Luego, se desarrollan sistemas de detección de intrusiones utilizando diversas técnicas de aprendizaje automático, incluyendo SVM, Random Forest, Ensemble y Redes Neuronales. Posteriormente, se aplica cada sistema a distintos conjuntos de datos para evaluar su capacidad de transferencia directa y se exploran estrategias para reentrenar los modelos con datos limitados.

La motivación del proyecto surge de la creciente integración de dispositivos IoT en la vida cotidiana, lo que ha incrementado la exposición a ataques cibernéticos. La falta de regulaciones maduras y la insuficiente atención a la seguridad en el diseño de estos dispositivos los convierten en blancos fáciles para accesos no autorizados. En este contexto, los mecanismos de detección de anomalías basados en aprendizaje automático son cruciales, aunque su transferibilidad entre diferentes redes IoT sigue siendo un desafío complejo que este proyecto busca abordar y clarificar.