000152417 001__ 152417
000152417 005__ 20250401114421.0
000152417 037__ $$aTAZ-TFM-2024-841
000152417 041__ $$aspa
000152417 1001_ $$aRodríguez García, María
000152417 24200 $$aBotnet detection in IoT scenarios using artificial intelligence techniques
000152417 24500 $$aDetección de botnets en escenarios de IoT mediante técnicas de inteligencia artificial
000152417 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024
000152417 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000152417 520__ $$aEl objetivo del Trabajo Fin de Máster (TFM) es evaluar la efectividad de diversos algoritmos de clasificación en la detección de tráfico malicioso en el entorno de Internet de las Cosas (IoT) utilizando conjuntos de datos específicos que incluyen tanto tráfico benigno como diversos tipos de ataques. Además, este trabajo muestra y discute el análisis multi-base de datos y examina cómo la heterogeneidad de estas bases afecta los resultados conjuntos complicando su aplicabilidad final. En este trabajo fin de máster se ha analizado el entorno IoT actual, abarcando desde los dispositivos más utilizados hasta los más atacados, así como las amenazas más comunes, con un enfoque especial en la botnet Mirai y sus ataques típicos. Se han estudiado diversos conjuntos de datos IoT, seleccionando IoTD20, IoT-23 y CIC-IoT-2023, que incluyen tráfico benigno y ataques como DDoS, fuerza bruta y escaneo de puertos. Se ha propuesto un exhaustivo banco de pruebas para evaluar nueve algoritmos de clasificación (Decision Tree, Gaussian Naive Bayes, Bernouilli Naive Bayes, Stochastic Gradient Descent, Random Forest, Bagging con Decision Tree, AdaBoost con Decision Tree, NearestCentroid y Multilayer Perceptron) que permitan diferenciar entre tráfico benigno y malicioso. Se utilizó la herramienta Zeek para extraer y etiquetar la información de los flujos de tráfico. Las librerías Scikit-learn, Pandas y Dask se emplean para el preprocesado y análisis de datos. Las pruebas se han realizado en clasificación binaria y multiclase, demostrando que los algoritmos basados en árboles de decisión (Decision Tree, Random Forest, Boosting Tree y Bagging Tree) resultaron ser los más eficientes, alcanzando valores F1 superiores a 0.99 en la evaluación individual de los datasets y a 0.9 en la mayoría de las pruebas de evaluación con datasets combinados. Los resultados indican que los modelos entrenados con datos distintos al conjunto de evaluación son subóptimos, resaltando la necesidad de incluir datos y ataques variados para obtener resultados más realistas y eficientes en la detección de botnets. Los resultados obtenidos en este trabajo subrayan la importancia de usar datasets adecuados para evaluar la efectividad de los modelos de Machine Learning en la detección de botnets, asegurando su aplicabilidad en entornos reales y diversos.<br />
000152417 521__ $$aMáster Universitario en Ingeniería de Telecomunicación
000152417 540__ $$aDerechos regulados por licencia Creative Commons
000152417 691__ $$a1 9 16
000152417 692__ $$aPoner en práctica a nivel nacional sistemas y medidas apropiadas de protección social para todos y, para 2030, lograr una amplia cobertura de los pobres y los más vulnerables. Desarrollar infraestructuras fiables, sostenibles, resilientes y de calidad, incluidas infraestructuras regionales y transfronterizas, para apoyar el desarrollo económico y el bienestar humano, haciendo especial hincapié en el acceso asequible y equitativo para todos. Aumentar la investigación científica y mejorar la capacidad tecnológica de los sectores industriales de todos los países, en particular los países en desarrollo, entre otras cosas fomentando la innovación y aumentando considerablemente, de aquí a 2030, el número de personas que trabajan en investigación y desarrollo por millón de habitantes y los gastos de los sectores público y privado en investigación y desarrollo. Aumentar significativamente el acceso a la tecnología de la información y las comunicaciones y esforzarse por proporcionar acceso universal y asequible a Internet en los países menos adelantados de aquí a 2020. Fortalecer las instituciones nacionales pertinentes, incluso mediante la cooperación internacional, para crear a todos los niveles, particularmente en los países en desarrollo, la capacidad de prevenir la violencia y combatir el terrorismo y la delincuencia.
000152417 700__ $$aGarcía Moros, José$$edir.
000152417 700__ $$aAlesanco Iglesias, Álvaro$$edir.
000152417 7102_ $$aUniversidad de Zaragoza$$bIngeniería Electrónica y Comunicaciones$$cIngeniería Telemática
000152417 8560_ $$f780957@unizar.es
000152417 8564_ $$s6527270$$uhttps://zaguan.unizar.es/record/152417/files/TAZ-TFM-2024-841.pdf$$yMemoria (spa)
000152417 909CO $$ooai:zaguan.unizar.es:152417$$pdriver$$ptrabajos-fin-master
000152417 950__ $$a
000152417 951__ $$adeposita:2025-04-01
000152417 980__ $$aTAZ$$bTFM$$cEINA
000152417 999__ $$a20240626210023.CREATION_DATE