RT Generic
T1 Análisis de la transferibilidad de mecanismos de detección  de anomalías basados en aprendizaje  automático en entornos de Internet de las Cosas
T2 Analysis of the transferability of machine learning-based  anomaly detection mechanisms in  Internet of Things environments
A1 Ruiz  Álvarez, Joaquín
K1 Aprendizaje automático (Inteligencia artificial)
K1 Internet de las cosas
K1 Informática - Trabajos Fin de Grado
K1 Grado en Ingeniería Informática - Trabajos Fin de Grado
AB 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.
YR 2024
FD 2024-06
LK https://hdl.handle.net/10630/35688
UL https://hdl.handle.net/10630/35688
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 21 ene 2026