Saved in:
| Hovedforfatter: | |
|---|---|
| Format: | Recurso digital |
| Sprog: | spansk |
| Udgivet: |
Zenodo
2026
|
| Fag: | |
| Online adgang: | https://doi.org/10.5281/zenodo.20359802 |
| Tags: |
Tilføj Tag
Ingen Tags, Vær først til at tagge denne postø!
|
Indholdsfortegnelse:
- <p>Este artículo presenta el diseño y evaluación experimental de un modelo de detección <br>temprana de amenazas cibernéticas dirigido a pequeñas y medianas empresas (PYMES) <br>colombianas, mediante el uso de técnicas de inteligencia artificial y aprendizaje automático. <br>El problema central identificado es la incapacidad de las PYMES para detectar incidentes de <br>seguridad en tiempo real, agravada por la ausencia de soluciones adaptadas a entornos con <br>recursos tecnológicos y humanos limitados. Se propone un modelo híbrido que combina <br>Random Forest para clasificación supervisada e Isolation Forest para detección de <br>anomalías no supervisada, entrenado sobre un conjunto de siete variables técnicas de <br>tráfico de red. La evaluación experimental se realizó en un entorno virtualizado Ubuntu 22.04 <br>sobre VirtualBox, utilizando un dataset sintético de 5.000 registros parametrizado con base <br>en los datasets públicos CIC-IDS2017 y UNSW-NB15. Los resultados obtenidos confirman la <br>hipótesis planteada: el modelo híbrido alcanzó un F1-Score de 0.9934, un Recall de 1.00 <br>para la clase de ataques y 0 falsos negativos sobre el conjunto de prueba, con una tasa de <br>falsa alarma del 0.57% y un tiempo de inferencia de 187 ms por sesión. Estos resultados <br>demuestran que el modelo es técnicamente viable para su implementación en PYMES <br>colombianas con infraestructura básica. Como trabajo futuro se propone la validación sobre <br>tráfico real de PYMES colombianas de diferentes sectores económicos. <br>Palabras clave: ciberseguridad, PYMES, inteligencia artificial, detección de intrusos, <br>Random Forest, Isolation Forest, aprendizaje automático.</p>