Detección de Ataques de Botnet en IoT Utilizando Aprendizaje Automático

Hay un número creciente de dispositivos de Internet de las Cosas (IoT) conectados a la red en estos días, y debido al avance en la tecnología, las amenazas de seguridad y los ciberataques, como los botnets, están surgiendo y evolucionando rápidamente con ataques de alto riesgo. Estos ataques interrumpen la transición de IoT al afectar redes y servicios para dispositivos IoT. Muchos estudios recientes han propuesto técnicas de ML y DL para detectar y clasificar ataques de botnet en el entorno de IoT. Este estudio propone métodos de aprendizaje automático para clasificar clases binarias. Este propósito se cumple mediante el uso del conjunto de datos disponible públicamente UNSW-NB15. Este conjunto de datos resolvió un problema de desequilibrio de clases utilizando la técnica SMOTE-OverSampling. Se propuso un pipeline completo de aprendizaje automático, que incluye análisis exploratorio de datos, que proporciona información detallada sobre los datos, seguido de preprocesamiento. Durante este proceso, los datos pasan por seis pasos fundamentales. Se proponen, entrenan, prueban y evalúan en el conjunto de datos un árbol de decisión, un modelo XgBoost y un modelo de regresión logística. Además de la precisión del modelo, también se consideran el F1-score, el recall y la precisión. Con base en todos los experimentos, se concluye que el árbol de decisión superó con un 94% de precisión en las pruebas.