Aplicación del aprendizaje profundo en la clasificación del tráfico de red en dispositivos IoT: revisión sistemática

• Autores: Altamirano Vega, Sheral, Alvines Santa Cruz, Edgard Junior
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17040
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17040
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Clasificación de tráfico de red; Detección de intrusiones; Ciberseguridad; Detección de anomalías; Internet de las cosas; https://purl.org/pe-repo/ocde/ford#2.11.04

El Internet de las Cosas (IoT) ha revolucionado diversos sectores al interconectar dispositivos inteligentes, pero también ha incrementado los riesgos de seguridad en redes distribuidas. Ante este desafío, el aprendizaje profundo ha surgido como una herramienta eficaz para clasificar tráfico de red y detectar comportamientos anómalos. Esta revisión sistemática analiza la producción científica entre 2019 y 2024, empleando directrices PRISMA 2020 y consultando las bases de datos Scopus y Web of Science. Se recopilaron 208 artículos, los cuales fueron analizados mediante herramientas como Microsoft Excel®, R y VOSviewer®, permitiendo identificar patrones temáticos, autores influyentes, revistas líderes y técnicas dominantes. Los resultados muestran un crecimiento exponencial en publicaciones recientes, destacando arquitecturas híbridas como CNN-LSTM, autoencoders y técnicas de detección en tiempo real. Asimismo, se identificaron tendencias emergentes como la aplicación de aprendizaje federado, optimización computacional y uso de datos sintéticos. Esta revisión propone una agenda de investigación orientada a la mejora de precisión, eficiencia y robustez de los sistemas de detección aplicados a entornos IoT.