Aplicación de algoritmos de aprendizaje automático para la detección de anomalías de tráfico en entornos IoT

Resumen

El ingente número de dispositivos ligeros interconectados en las infraestructuras IoT genera una gran cantidad de información vulnerable. En este ámbito, las técnicas basadas en aprendizaje automático supervisado han ganado credibilidad como una aproximación exitosa para la detección de anomalías en redes IoT. Esta tesis propone la detección de anomalías de tráfico en IoT mediante la aplicación de algoritmos de aprendizaje automático supervisado. Ante la ausencia de datasets en las condiciones requeridas, se generaron dos nuevos empleando el protocolo MQTT y el protocolo CoAP, respectivamente. Ambos presentan tres tipos de anomalías en el payload de los mensajes, y están basados en los datos de una red de sensores de temperatura de un CPD real. Para el modelado matemático de los valores de temperatura, se empleó el método STL de descomposición de series temporales. Para la clasificación, se aplicaron Regresiones Lineales, Naive Bayes, Random Forest, Máquinas de Vectores de Soporte y AdaBoost. Tras utilizar diversas técnicas y algoritmos de pre-procesado, así como hiperparametrización para la optimización de los modelos, los resultados muestran, utilizando diferentes métricas tradicionales, que los clasificadores pueden lograr una alta tasa de detección en todos los experimentos. Los modelos basados en árboles presentan los mejores resultados.