Algoritmos de Machine Learning con ensemble “Bagging” para la detección de ciberataques

• Autor: Urday Muñoz, Álvaro André
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/13642
• Enlace del recurso: https://hdl.handle.net/20.500.12867/13642
• Nivel de acceso: acceso abierto
• Materia: Machine Learning; Ciberataques; Bagging; https://purl.org/pe-repo/ocde/ford#2.02.04

En la actualidad, la transformación digital de las pequeñas y medianas empresas (PYME) se ve amenazada por la creciente presencia de ciberdelincuentes que sacan provecho del acceso no autorizado a información confidencial almacenada en sistemas informáticos vulnerables. Para hacer frente a este problema, se han adoptado soluciones como la implantación de Sistemas de Detección de Intrusiones (IDS). Estos sistemas son capaces de identificar ciberataques en diferentes plataformas utilizando herramientas con capacidad predictiva, como algoritmos de Machine Learning. En este contexto, estudios recientes están orientados a mejorar la detección de ciberataques mediante el desarrollo de modelos robustos y ensembles. En esta línea, la presente tesis propone un metamodelo ensemble del tipo “Bagging” que integra los algoritmos de Machine Learning “Random Forest”, “Decision Tree”, “Multi Layer Perceptron” y “K Nearest Neighbor” con el objetivo de mejorar el rendimiento predictivo del metamodelo frente a sus instancias internas en la detección de ciberataques evaluado en las dimensiones de eficiencia, tiempo de respuesta y robustez. La metodología utilizada corresponde a un diseño pre-experimental de una sola medición con un enfoque cuantitativo, ya que los resultados se evalúan mediante métricas objetivas que permiten cuantificar el rendimiento del metamodelo. Los resultados obtenidos muestran una mejora en el rendimiento predictivo global, alcanzando resultados superiores al 93% en la mayoría de los casos, excepto por los ciberataques con baja representación. No obstante, se observó que no existe una mejora significativa en el rendimiento predictivo en comparación con el algoritmo «Random Forest». En conclusión, esta tesis demuestra la viabilidad del uso del metamodelo ensemble Bagging como herramienta robusta para la detección de ciberataques.