Detección de Anomalías de Ciberataques IoT en Ciudades Inteligentes Usando Aprendizaje Federado y Aprendizaje Dividido

La rápida proliferación de dispositivos del Internet de las Cosas (IoT) en las infraestructuras de ciudades inteligentes ha creado una demanda urgente de medidas de ciberseguridad robustas. Estos dispositivos son susceptibles a diversos ciberataques que pueden poner en peligro la seguridad y funcionalidad de los sistemas urbanos. Esta investigación presenta un enfoque innovador para identificar anomalías causadas por ciberataques IoT en ciudades inteligentes. El método propuesto aprovecha el aprendizaje federado y el aprendizaje dividido y aborda el doble desafío de mejorar la seguridad de la red IoT mientras se preserva la privacidad de los datos. Este estudio lleva a cabo experimentos extensos utilizando conjuntos de datos auténticos de ciudades inteligentes. Para comparar el rendimiento de algoritmos de aprendizaje automático clásicos y modelos de aprendizaje profundo para detectar anomalías, se evalúa la efectividad del modelo utilizando precisión, recall, puntaje F-1, exactitud y tiempo de entrenamiento/despliegue. Los hallazgos demuestran que el aprendizaje federado y el aprendizaje dividido tienen el potencial de equilibrar las preocupaciones sobre la privacidad de los datos con un rendimiento competitivo, proporcionando soluciones robustas para detectar ciberataques IoT. Este estudio contribuye a la discusión en curso sobre la seguridad de las implementaciones IoT en entornos urbanos. Sienta las bases para estrategias de ciberseguridad escalables y conscientes de la privacidad. Los resultados subrayan el papel vital de estas técnicas en el fortalecimiento de las ciudades inteligentes y en la promoción del desarrollo de medidas de ciberseguridad adaptables y resilientes en la era IoT.