Detección de anomalías en entornos del internet de las cosas

Abstract

Durante los últimos años se encuentra una creciente cantidad de dispositivos conectados entre sí, cada vez con más aplicaciones en la industria. Estos dispositivos pueden ser atacados y provocar inestabilidad o una fuga de datos, por lo tanto la protección y la pronta detección de ataques y/o anomalías es vital en un mundo cada vez más conectado. El objetivo es la monitorización y detección de estos ataques en dispositivos del Internet of Things utilizando técnicas del estado del arte de Machine Learning para su detección y poder así responder con una mayor rapidez a los ataques. Para la detección se han utilizado modelos estadísticos, como SVM, DBScan o Isolation Forests, que en su conjunto permitan identificar con mayor precisión cuando se está produciendo un ataque. El conjunto de la clusterización con la clasificación de puntos anómalos muestra una mayor robustez, frente al uso individual de cada uno de los modelos aumentando la detección en hasta un 15 %. Se demuestra cómo el uso de los modelos permite proteger los dispositivos y mejorar la seguridad al disminuir los tiempos de reacción frente a los ataques.

Aquests últims anys hi ha una quantitat creixent de dispositius connectats entre sí, cada vegada amb més aplicacions a la indústria. Aquests dispositius poden ser atacats i provocar una inestabilitat o una fuga de dades, per la mateixa protecció i la detecció de la protecció d'atacs i anomalies és vital en un món cada vegada més connectat. L'objectiu és la monitorització i detecció d'aquests atacs en dispositius d'Internet de les coses que utilitzen tècniques de l'estat d'art de l'aprenentatge de màquines per a la seva detecció i poder així respondre ràpid als atacs. Per a la detecció s'utilitzen models estadístics, com SVM, DBScan o boscos d'aïllament, que en el seu conjunt es permeten identificar amb una major precisió quan s'està produint un atac. El conjunt de la clusterització amb la classificació de punts anòmals mostra una major força, davant l'ús individual de cada un dels models augmentant la detecció fins a un 15%. Es demostra com l'ús dels models permet protegir els dispositius i millorar la seguretat per disminuir l'acció davant dels atacs.

In recent years the amount of connected devices has greatly increased, with an increasing number of applications in the industry each day. This devices can be subject of attacks causing instability or data leaks that can be dangerous both for the users and the enterprises, in order to avoid or confront them, security and early detection are becoming a must in a connected world. The focus is the monitoring and detection of the attacks in Internet of Things devices using state of the art Machine Learning techniques. Models such as SVM, DBScan or Isolation Forests have been used and assembled in order to identify with a better accuracy when an attack is happening. With this assembly, attack detection has increased up to 15% comparing to traditional methods and individual model usages and times have been considerably reduced. An active use of Machine Learning models has shown a great improvement at anomaly detection by securing the devices and decreasing the reaction times when facing attacks.