Optimización automática de hiperparámetros para la detección de ciberataques basada en aprendizaje automático en sistemas IoT
Autores: Becerra-Suarez, Fray L.; Pinedo, Lloy; Gavilán-Colca, Madeleine J.; Díaz, Mónica; Forero, Manuel G.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Optimización automática de hiperparámetros para la detección de ciberataques basada en aprendizaje automático en sistemas IoT
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Sofisticación
Ciberataques
Entornos de IoT
Optimización de hiperparámetros
Bosque Aleatorio
Desequilibrio de clases
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La creciente sofisticación de los ciberataques en entornos de Internet de las Cosas (IoT) exige soluciones proactivas y eficientes. Presentamos un método automatizado de optimización de hiperparámetros (HPO) para detectar ciberataques en IoT que aborda explícitamente el desbalance de clases. El enfoque combina un modelo de Random Forest, una función de adquisición UCB con exploración controlada y una función objetivo que maximiza el F1 ponderado y el MCC; también integra validación estratificada y una selección compacta de descriptores mediante consenso metaheurístico. Se evaluaron cinco modelos (RandomForest, AdaBoost, DecisionTree, XGBoost y MLP) en CICIoT2023 y CIC-DDoS2019. Los resultados muestran mejoras sistemáticas sobre las configuraciones predeterminadas y competitividad en comparación con Hyperopt y GridSearch. Para RandomForest, se observaron aumentos significativos en CIC-DDoS2019 (F1-Score de 0.9469 a 0.9995; MCC de 0.9284 a 0.9986) y mejoras consistentes en CICIoT2023 (F1-Score de 0.9947 a 0.9954; MCC de 0.9885 a 0.9896), manteniendo tiempos de inferencia bajos. Estos resultados demuestran que el HPO propuesto ofrece un sólido equilibrio entre rendimiento, costo computacional y trazabilidad, y constituye una alternativa reproducible para fortalecer los mecanismos de ciberseguridad en entornos IoT con recursos limitados.
Descripción
La creciente sofisticación de los ciberataques en entornos de Internet de las Cosas (IoT) exige soluciones proactivas y eficientes. Presentamos un método automatizado de optimización de hiperparámetros (HPO) para detectar ciberataques en IoT que aborda explícitamente el desbalance de clases. El enfoque combina un modelo de Random Forest, una función de adquisición UCB con exploración controlada y una función objetivo que maximiza el F1 ponderado y el MCC; también integra validación estratificada y una selección compacta de descriptores mediante consenso metaheurístico. Se evaluaron cinco modelos (RandomForest, AdaBoost, DecisionTree, XGBoost y MLP) en CICIoT2023 y CIC-DDoS2019. Los resultados muestran mejoras sistemáticas sobre las configuraciones predeterminadas y competitividad en comparación con Hyperopt y GridSearch. Para RandomForest, se observaron aumentos significativos en CIC-DDoS2019 (F1-Score de 0.9469 a 0.9995; MCC de 0.9284 a 0.9986) y mejoras consistentes en CICIoT2023 (F1-Score de 0.9947 a 0.9954; MCC de 0.9885 a 0.9896), manteniendo tiempos de inferencia bajos. Estos resultados demuestran que el HPO propuesto ofrece un sólido equilibrio entre rendimiento, costo computacional y trazabilidad, y constituye una alternativa reproducible para fortalecer los mecanismos de ciberseguridad en entornos IoT con recursos limitados.