Enfoque de aprendizaje de conjunto para mejorar la clasificación binaria en el Sistema de Detección de Intrusiones para el Internet de las Cosas

El Internet de las Cosas (IoT) ha experimentado un crecimiento significativo y juega un papel crucial en las actividades diarias. Sin embargo, junto con su desarrollo, el IoT es muy vulnerable a ataques y genera preocupaciones para los usuarios. El Sistema de Detección de Intrusiones (IDS) opera de manera eficiente para detectar e identificar actividades sospechosas dentro de la red. La principal fuente de ataques proviene de fuentes externas, específicamente de internet, que intentan transmitir datos a la red anfitriona. El IDS puede identificar ataques desconocidos a partir del tráfico de la red y se ha convertido en una de las medidas de seguridad de red más efectivas. La clasificación se utiliza para distinguir entre la clase normal y los ataques en el problema de clasificación binaria. Como resultado, hay un aumento en las tasas de falsos positivos y una disminución en la precisión de detección durante el entrenamiento del modelo. Basado en los resultados de las pruebas utilizando la técnica de conjunto con los algoritmos de aprendizaje de conjunto XGBoost y LightGBM, se puede concluir que ambos problemas de clasificación binaria pueden ser resueltos. Los resultados al usar estos algoritmos de aprendizaje de conjunto en el conjunto de datos ToN IoT, donde se ha realizado la clasificación binaria combinando múltiples dispositivos en uno, han demostrado una mejora en la precisión. Además, este enfoque de conjunto asegura una distribución más equitativa de la precisión en cada dispositivo, superando los hallazgos de investigaciones previas.