Sistema de Detección de Intrusos en Inteligencia Artificial Explicable mediante el Uso de Diferentes Algoritmos

El Internet de las Cosas (IoT) es una tecnología que se establece rápidamente y que combina varios dominios, y dicha tecnología permite a los dispositivos procesar, transferir y recibir información sin la intervención de humanos. Sin embargo, los problemas de privacidad y seguridad siguen siendo una dificultad importante en el IoT. Se necesita un Sistema de Detección de Intrusos (IDS) para asegurar ataques en esta plataforma. Recientemente, varios investigadores identificaron formas significativas para la Detección de Intrusos al emplear enfoques de Inteligencia Artificial Explicable (XAI) en técnicas de Aprendizaje Automático (ML) y Aprendizaje Profundo (DL). Esta investigación indica diversas metodologías como Bosques Aleatorios Balanceados y Apilados (RF), Árbol de Decisión (DT), Máquina de Vectores de Soporte (SVM), Aumento de Gradiente Extremo (XGB), Naïve Bayes (NB), Ada-Boost (AB), Cat-Boost (CB), Memoria de Largo y Corto Plazo (LSTM), Red Neural Profunda (DNN) y Bidireccional-LSTM (Bi-LSTM) que se utilizan para IDS. La precisión, f1-score, recuperación, Área Bajo la Curva (AUC), precisión, tiempo de puntuación y Tasa de Falso Positivo (FAR) se emplean como métricas de rendimiento para este estudio.