Clasificador de Votación y Optimización Metaheurística para la Detección de Intrusiones en Redes

La gestión de objetos físicos en la periferia de la red es posible gracias al Internet de las Cosas (IoT), revolucionando la vida humana. Los ataques abiertos y el acceso no autorizado son posibles con estos dispositivos IoT, que intercambian datos para permitir el acceso remoto. Estos ataques a menudo se detectan utilizando metodologías de detección de intrusiones, aunque la efectividad y precisión de estos sistemas son inferiores a lo esperado. Este documento propone un nuevo clasificador de votación compuesto por un conjunto de modelos de aprendizaje automático entrenados y optimizados mediante optimización metaheurística. El optimizador metaheurístico empleado es una nueva versión del algoritmo de optimización de ballenas (WOA), que es guiado por el optimizador de garganta de zorro (DTO) para mejorar el proceso de exploración del optimizador WOA tradicional. El clasificador de votación propuesto categoriza las intrusiones de la red de manera robusta y eficiente. Para evaluar el enfoque propuesto, se emplea un conjunto de datos creado a partir de dispositivos IoT para registrar la eficiencia del algoritmo propuesto para la categorización binaria de ataques. Los registros del conjunto de datos se equilibran utilizando el hashing sensible a la localidad (LSH) y la Técnica de Sobre-muestreo Sintético de Minorías (SMOTE). La evaluación de los resultados obtenidos se realiza en términos de análisis estadístico y gráficos visuales para demostrar la efectividad, estabilidad y relevancia del enfoque propuesto. Los resultados obtenidos confirmaron la superioridad del algoritmo propuesto para la tarea de detección de intrusiones en redes.