Ampliando la Detección de Intrusiones en Redes con Técnicas Mejoradas de Optimización de Enjambre de Partículas

La presente investigación investiga cómo mejorar los Sistemas de Detección de Intrusiones en Redes (NIDS) combinando técnicas de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL), abordando el creciente desafío de las amenazas a la ciberseguridad. Un proceso exhaustivo para la preparación de datos, que comprende actividades como limpieza, normalización y segmentación en conjuntos de entrenamiento y prueba, establece el marco para el entrenamiento y evaluación del modelo. El estudio utiliza los conjuntos de datos CSE-CIC-IDS 2018 y LITNET-2020 para comparar métodos de ML (Árboles de Decisión, Bosque Aleatorio, XGBoost) y modelos de DL (CNNs, RNNs, DNNs, MLP) en función de métricas clave de rendimiento (Precisión, Exactitud, Recuperación y F1-Score). El modelo de Árbol de Decisión tuvo un mejor desempeño en todas las medidas después de ser ajustado con la Optimización de Enjambre de Partículas Mejorada (EPSO), demostrando la capacidad del modelo para detectar brechas en la red de manera efectiva. Los hallazgos destacan la importancia de EPSO en la mejora de clasificadores de ML para la ciberseguridad, proponiendo un marco sólido para NIDS con alta precisión y fiabilidad. Este análisis extenso no solo contribuye al ámbito de la ciberseguridad proporcionando un camino hacia soluciones robustas de detección de intrusiones, sino que también propone enfoques futuros para mejorar modelos de ML para combatir el cambiante panorama de las amenazas en la red.