Avanzando en la Seguridad en la Nube: Una Encuesta Exhaustiva de Enfoques de Aprendizaje Automático para la Detección de Amenazas y la Protección de Datos

La rápida expansión de la computación en la nube ha revolucionado la forma en que las empresas y los individuos manejan el almacenamiento, la gestión y el procesamiento de datos, proporcionando una flexibilidad, escalabilidad y eficiencia de costos sin precedentes. No obstante, esta creciente dependencia de los servicios en la nube ha traído consigo considerables desafíos de seguridad, exigiendo soluciones sofisticadas para salvaguardar la confidencialidad, integridad y disponibilidad de los datos. Las medidas de seguridad convencionales frecuentemente resultan inadecuadas para manejar la naturaleza intrincada de los entornos en la nube, aumentando así el interés en la aplicación de técnicas de aprendizaje automático (ML) para mejorar la seguridad en la nube. Este documento presenta una extensa encuesta sobre enfoques contemporáneos de ML para la seguridad en la nube, abarcando métodos de aprendizaje supervisado, no supervisado y por refuerzo. La encuesta evalúa la efectividad de estas técnicas en diversas áreas de seguridad, incluyendo la detección de amenazas, la identificación de anomalías, la prevención de intrusiones y la protección de datos. Para demostrar la efectividad práctica de estos métodos, el enfoque propuesto en este estudio logra una notable precisión del 96%, con un error absoluto medio (MAE) de 0.485 y un error cuadrático medio (RMSE) de 0.203. Estas métricas subrayan la capacidad del método propuesto para ofrecer soluciones de seguridad precisas y confiables. Al evaluar las fortalezas y debilidades de varias estrategias de ML, este estudio tiene como objetivo proporcionar una visión completa del estado actual de la seguridad en la nube y señalar oportunidades futuras de investigación en este campo en desarrollo, cuyos hallazgos se discuten y se proponen direcciones futuras de investigación.