Detección de Intrusiones Mejorada por IA para Sistemas de UAV: Una Taxonomía y Revisión Comparativa
Autores: Islam, MD Sakibul; Mahmoud, Ashraf Sharif; Sheltami, Tarek Rahil
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección de Intrusiones Mejorada por IA para Sistemas de UAV: Una Taxonomía y Revisión Comparativa
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Uav
Ciberseguridad
Sistemas de detección de intrusiones
Inteligencia artificial
Aprendizaje profundo
Detección ligera
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El uso diverso de Vehículos Aéreos No Tripulados (VANT) en los ámbitos comercial, militar y civil ha aumentado significativamente la necesidad de mecanismos de ciberseguridad robustos. Dada su dependencia de las comunicaciones inalámbricas, los sistemas de control en tiempo real y la integración de sensores, los VANT son altamente susceptibles a intrusiones cibernéticas que pueden interrumpir misiones, comprometer la integridad de los datos o causar daño físico. Este documento presenta una revisión exhaustiva de la literatura sobre Sistemas de Detección de Intrusiones (IDS) que aprovechan la inteligencia artificial (IA) para mejorar la seguridad de los entornos de VANT y enjambres de VANT. A través de un análisis riguroso de publicaciones recientes revisadas por pares, hemos examinado los estudios en términos de algoritmo de modelo de IA, origen del conjunto de datos, modo de implementación: centralizado, distribuido o federado. La clasificación también incluye la estrategia de detección: en línea versus fuera de línea. Los resultados muestran una preferencia dominante por el aprendizaje supervisado centralizado utilizando conjuntos de datos estándar como CICIDS2017, NSL-KDD y KDDCup99, limitando la aplicabilidad a operaciones reales de VANT. Los métodos de aprendizaje profundo (DL), particularmente las Redes Neuronales Convolucionales (CNN), la Memoria a Largo y Corto Plazo (LSTM) y los Autoencoders (AEs), demuestran una fuerte precisión de detección, pero a menudo en condiciones ideales, careciendo de resiliencia ante ataques de día cero y restricciones de tiempo real. Notablemente, las tendencias emergentes apuntan a modelos de IDS ligeros y marcos de aprendizaje federado para soluciones escalables y que preserven la privacidad en enjambres de VANT. Esta revisión subraya las principales lagunas de investigación, incluida la escasez de conjuntos de datos reales de VANT, la ausencia de puntos de referencia estandarizados y la mínima exploración de esquemas de detección ligeros, ofreciendo una base para avanzar en sistemas de VANT seguros.
Descripción
El uso diverso de Vehículos Aéreos No Tripulados (VANT) en los ámbitos comercial, militar y civil ha aumentado significativamente la necesidad de mecanismos de ciberseguridad robustos. Dada su dependencia de las comunicaciones inalámbricas, los sistemas de control en tiempo real y la integración de sensores, los VANT son altamente susceptibles a intrusiones cibernéticas que pueden interrumpir misiones, comprometer la integridad de los datos o causar daño físico. Este documento presenta una revisión exhaustiva de la literatura sobre Sistemas de Detección de Intrusiones (IDS) que aprovechan la inteligencia artificial (IA) para mejorar la seguridad de los entornos de VANT y enjambres de VANT. A través de un análisis riguroso de publicaciones recientes revisadas por pares, hemos examinado los estudios en términos de algoritmo de modelo de IA, origen del conjunto de datos, modo de implementación: centralizado, distribuido o federado. La clasificación también incluye la estrategia de detección: en línea versus fuera de línea. Los resultados muestran una preferencia dominante por el aprendizaje supervisado centralizado utilizando conjuntos de datos estándar como CICIDS2017, NSL-KDD y KDDCup99, limitando la aplicabilidad a operaciones reales de VANT. Los métodos de aprendizaje profundo (DL), particularmente las Redes Neuronales Convolucionales (CNN), la Memoria a Largo y Corto Plazo (LSTM) y los Autoencoders (AEs), demuestran una fuerte precisión de detección, pero a menudo en condiciones ideales, careciendo de resiliencia ante ataques de día cero y restricciones de tiempo real. Notablemente, las tendencias emergentes apuntan a modelos de IDS ligeros y marcos de aprendizaje federado para soluciones escalables y que preserven la privacidad en enjambres de VANT. Esta revisión subraya las principales lagunas de investigación, incluida la escasez de conjuntos de datos reales de VANT, la ausencia de puntos de referencia estandarizados y la mínima exploración de esquemas de detección ligeros, ofreciendo una base para avanzar en sistemas de VANT seguros.