Desarrollo de un auditor de tráfico para dispositivos IoT basado en técnicas de machine learning para la detección de tráfico malicioso en redes domésticas

Abstract

El presente proyecto presenta el diseño un sistema de auditoría de tráfico para dispositivos IoT en redes domésticas basado en técnicas de Aprendizaje Automático, con la finalidad de detectar identificar anomalías y amenazas en la red. El sistema implementa algoritmos de Random Forest para clasificación de intrusiones, Isolation Forest para la detección de anomalías, y clustering para identificación de patrones coordinados de botnet. La metodología combina investigación experimental y análisis cuantitativo, utilizando datasets estandarizados NSL-KDD con 100,000 muestras de tráfico de red para entrenamiento de modelos. La arquitectura modular del sistema integra siete componentes principales: Network Scanner, Attack Detector, Traffic Analyzer, Security AlertSystem, Botnet Analyzer, MLDetection Engine e IoT Database, proporcionando capacidades de escaneo de red, detección de ataques en tiempo real, análisis de tráfico mediante Aprendizaje Automático.