En un esfuerzo por enfrentar la creciente amenaza de intromisiones en sistemas de redes, el estudio liderado por Ismail Bibers, Osvaldo Arreche y Mustafa Abdallah, ha presentado un enfoque innovador en la detección de intrusiones mediante el uso de técnicas de inteligencia artificial (IA). La investigación ha abordado detalladamente la evaluación comparativa de modelos individuales de aprendizaje automático (Machine Learning, ML) y métodos de ensamblaje, explorando sus potencialidades y limitaciones.
Al aplicar IA para automatizar tareas de detección de intrusiones, el estudio destaca que cada modelo ofrece fortalezas únicas, aunque también enfrenta debilidades que justifican la necesidad de métodos de ensamblaje. Estos métodos combinan varias técnicas para mejorar la capacidad de generalización en la detección de intrusiones, enfrentándose así al desafío de seleccionar el modelo óptimo para un conjunto de datos específico.
El equipo implementó un marco de aprendizaje en ensamblaje que incorpora las diversas características de modelos individuales y métodos avanzados como bagging, stacking y boosting. Dicho enfoque fue probado en dos conjuntos de datos prominentes: RoEduNet-SIDS-2017 y CICIDS-2017, lo que permitió observar las diferencias en rendimiento entre técnicas de ensamble y modelos individuales.
Los resultados mostraron que los métodos de ensamblaje, especialmente aquellos basados en árboles de decisión como el bosque aleatorio (Random Forest), ofrecieron un desempeño superior en términos de exactitud y reducción de falsos positivos, aspectos cruciales en la seguridad de redes informáticas. Los modelos fueron evaluados mediante métricas como la tasa de precisión, recuperación, F1, y los tiempos de ejecución, lo que proporcionó una comprensión comprensiva de su eficiencia y efectividad a la hora de detectar intrusiones.
La investigación no solo subraya la importancia de los métodos de ensamblaje en la defensa contra intrusiones, sino que también contribuye al campo al proporcionar códigos fuente accesibles que permiten la construcción de marcos de trabajo para la detección de intrusiones en red, facilitando así la exploración futura y desarrollos adicionales en este ámbito. Concluyendo, esta obra es un paso significativo hacia soluciones más robustas y eficaces en la seguridad de redes, representando un avance esencial en la utilización de IA para hacer frente a ciberataques cada vez más sofisticados.