Técnicas de Machine Learning para la detección de intrusiones en dispositivos IoT: Una revisión sistemática

• Autor: Querevalu Leonardo, Dara Elizabeth
• 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:20.500.12802/17110
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17110
• Nivel de acceso: acceso abierto
• Materia: Internet de las cosas; Detección de intrusiones; Ciberseguridad; Machine learning; Deep learning; https://purl.org/pe-repo/ocde/ford#2.02.04

La expansión masiva del Internet de las Cosas (IoT) ha incrementado exponencialmente la superficie de ataque, convirtiendo a la seguridad cibernética en un desafío crítico debido a las limitaciones de recursos de estos dispositivos. El presente trabajo tuvo como objetivo analizar las técnicas de Machine Learning (ML) más eficaces para la detección de intrusiones en entornos IoT, identificando tendencias, métricas de rendimiento y limitaciones actuales. La metodología empleada fue una revisión sistemática de la literatura bajo el protocolo PRISMA 2020. Se aplicó una estrategia de búsqueda estructurada (PICOC) en bases de datos indexadas (IEEE Xplore, Scopus, ScienceDirect), seleccionando 21 estudios primarios publicados entre 2023 y 2025 tras un riguroso cribado de calidad. Los resultados evidencian un predominio de técnicas de Aprendizaje Profundo (Deep Learning) y modelos Híbridos, los cuales reportan una exactitud superior al 98% en datasets como CICIDS2017. Sin embargo, se identificó una brecha significativa entre la precisión teórica y la viabilidad práctica, destacando el Aprendizaje Federado como una solución emergente para preservar la privacidad. Se concluye que, si bien los modelos complejos ofrecen la mejor capacidad de detección, su implementación futura depende de la optimización del consumo energético y la validación en entornos reales, superando la dependencia actual de datos sintéticos desactualizados.