Sistema De Intrusión De Tráfico De Red Basado En Machine Learning Para La Protección De Datos En La Empresa, Lima, 2024

• Autores: Figueroa Dextre, Betty Sonaira, Cañihua Ccapa, Jesús
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/11959
• Enlace del recurso: https://hdl.handle.net/20.500.12867/11959
• Nivel de acceso: acceso abierto
• Materia: Ciberseguridad; Machine learning; Protección de datos; CICIDS2017; Regresión Logística; https://purl.org/pe-repo/ocde/ford#2.02.04

La digitalización de los procesos empresariales ha incrementado los riesgos de ciberseguridad, generando la necesidad de sistemas avanzados que protejan la información corporativa. En este contexto, la presente tesis desarrolla un sistema de detección de intrusiones en el tráfico de red basado en machine learning, con el propósito de mejorar la seguridad informática en un entorno empresarial en Lima, 2024. El estudio parte de la identificación de las deficiencias en los sistemas tradicionales, los cuales presentan limitaciones frente a ataques como el malware, amenazas de día cero y ataques de denegación de servicio (DoS). Para abordar este problema, se implementaron algoritmos de machine learning, tales como Random Forest y Regresión Logística, con el fin de analizar patrones en el tráfico de red e identificar anomalías que representen amenazas. Metodológicamente, la investigación adopta un enfoque cuantitativo- experimental y aplica la metodología ágil SCRUM. Se utilizó el conjunto de datos CICIDS2017 para entrenar y evaluar los modelos en un entorno de prueba, midiendo su desempeño mediante métricas como precisión, recall y F1-score. Los resultados demostraron que la incorporación de técnicas de machine learning mejora la detección de amenazas, reduciendo de manera notable los falsos positivos en comparación con los sistemas tradicionales. De forma destacada, se evidenció que el modelo basado en Random Forest mostró el mejor desempeño, alcanzando una precisión del 95% y obteniendo valores de precisión, recall y F1-score de 0.94, 0.93 y 0.93, la Regresión Logística presentó una mayor velocidad de procesamiento. En conclusión, este trabajo respalda la viabilidad y eficacia de aplicar modelos de machine learning especialmente Random Forest para optimizar la detección de intrusiones y mejorar la respuesta ante amenazas cibernéticas, consolidando una herramienta robusta para la seguridad en entornos empresariales modernos.