Machine learning en ciberseguridad: Revisión sistemática de literatura

• Autores: Valdiviezo Salazar, Martin Eduardo, Huillca Rojas, Fisher Yeferson, Alarcón Vázquez, Segundo Felipe
• Formato: objeto de conferencia
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14360
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14360; https://doi.org/10.18687/LACCEI2024.1.1.723
• Nivel de acceso: acceso abierto
• Materia: Seguridad de datos; Sistemas de aprendizaje; Aprendizaje automático; https://purl.org/pe-repo/ocde/ford#2.02.04

El avance tecnológico ha creado una urgente demanda de reforzar la ciberseguridad, enfrentando incidentes como ataques de Denegación de Servicio (DOS) y Denegación de Servicio Distribuido (DDOS). Es así que esta revisión sistemática tiene como objetivo investigar las tecnologías actuales en ciberseguridad, para fortalecer la seguridad digital y proporcionar información clave sobre las últimas tendencias, contribuyendo a la adaptación continua de estrategias de ciberseguridad. La metodología, basada en la estrategia PICO, estructura la búsqueda en las bases de datos Scopus e IEEE, seleccionando 21 publicaciones de un total de 308. Los resultados destacan la complejidad de la seguridad cibernética y la variabilidad en la efectividad de los algoritmos de machine learning, subrayando la importancia de la cuidadosa selección de herramientas. Además, se observa que, en promedio, los algoritmos Decision Tree alcanzaron una precisión del 99.59% para ataques DOS, con un papel crucial en la defensa contra amenazas cibernéticas. La conclusión destaca la necesidad crítica de estrategias adaptables respaldadas por eficiencias que oscilan entre el 41% y el 99%, sugiriendo explorar enfoques híbridos y desafíos emergentes para fortalecer continuamente la ciberseguridad. Además, una tasa de detección del 99.6% subraya la importancia de elegir herramientas cuidadosamente, con un 32% en falsos positivos y un 16% en métricas como precisión y recall, enfatizando la necesidad de anticipación y flexibilidad para una ciberseguridad efectiva.