Please use this identifier to cite or link to this item:
http://hdl.handle.net/10609/150757
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.author | López Capó, Josep | - |
dc.coverage.spatial | Ciutadella de Menorca | - |
dc.date.accessioned | 2024-07-11T19:25:24Z | - |
dc.date.available | 2024-07-11T19:25:24Z | - |
dc.date.issued | 2024-06 | - |
dc.identifier.uri | http://hdl.handle.net/10609/150757 | - |
dc.description.abstract | El Internet de las Cosas (IoT) se presenta como la red de dispositivos inteligentes que surgen en respuesta a la necesidad de integrar nuevos servicios (transporte, atención médica, infraestructura, etc) en prácticamente todos los ámbitos de nuestras vidas. En consecuencia, esta rápida proliferación de internet ha ofrecido nuevas oportunidades a los usuarios atacantes. La forma más común, por su sencillez, de afectar una red, es mediante el ataque de denegación de servicio. Dicho ataque, consiste, en esencia, en copar de tráfico malicioso una red entorpeciendo o anulando el servicio ofrecido. Por ende, la implementación de mecanismos efectivos de defensa se establece como una necesidad básica en toda red de Internet. En el presente trabajo se utiliza las técnicas de aprendizaje automático (ML) usando inteligencia artificial (IA) con el fin de implementar un Sistema de Detección de Intrusos (IDS) para detectar y mitigar supuestos Ataques de Denegación de Servicio (DoS). Este trabajo también tiene como objetivo evaluar dos modelos de aprendizaje automático para la detección de ofensivas de denegación de servicio DIS-Flood en un entorno IoT simulado. Concretamente, se estudian los algoritmos Support Vector Machine (SVM) y Random Forest (RF) sobre el conjunto de datos IoTR – DS. La tasa de exactitud obtenida para SVM es de 98.6%, mientras que la de Random Forest es de 99.4%. La tasa de precisión fue de 98.2% en SVM y 99.2% en RF. La sensibilidad fue de 98.7% en SVM en comparación con 99.6% de RF. Los resultados muestran que Random Forest superó a Support Vector Machine en todas las métricas anteriores presentándose como la opción más adecuada para su implementación en el IDS. | es |
dc.description.abstract | The Internet of Things (IoT) emerges as the network of smart devices that arise in response to the need to integrate new services (transportation, healthcare, infrastructure, etc.) into virtually every aspect of our lives. Consequently, this rapid proliferation of the internet has offered new opportunities to attacking users. The most common, due to its simplicity, way to affect a network is through a denial of service attack. This attack consists, essentially, in flooding a network with malicious traffic, hindering or nullifying the offered service. Therefore, the implementation of effective defense mechanisms is established as a basic necessity in every internet network. In this work, machine learning (ML) techniques using artificial intelligence (AI) are employed to implement an Intrusion Detection System (IDS) to detect and mitigate alleged Denial of Service Attacks, as well as to discuss the evolution of the results. This thesis aims to evaluate two machine learning models for the detection of DIS-Flood Denial of Service Attacks in a simulated IoT environment. Support Vector Machine (SVM) and Random Forest (RF) classifiers are used on the IoTR – DS dataset [Resources 9]. The accuracy rate obtained for SVM is 98.6%, while for Random Forest it is 99.4%. The precision rate was 98.2% in SVM and 99.2% in RF. Sensitivity was 98.7% in SVM compared to 99.6% in RF. The results show that Random Forest outperformed Support Vector Machine in all the aforementioned metrics, presenting itself as the most suitable option for implementation in attack detection. | en |
dc.format.mimetype | application/pdf | ca |
dc.language.iso | spa | es |
dc.publisher | Universitat Oberta de Catalunya (UOC) | ca |
dc.rights | CC BY-NC-ND | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | ataques de denegación de servicio | es |
dc.subject | denial of service attacks | en |
dc.subject | IoT | es |
dc.subject | IoT | en |
dc.subject | IDS | es |
dc.subject | IDS | en |
dc.subject | matriz de confusión | es |
dc.subject | random forest | es |
dc.subject | support vector machine | es |
dc.subject | support vector machine | en |
dc.subject | modelo de aprendizaje | es |
dc.subject | ciberdelincuente | es |
dc.subject | aprendizaje automático | es |
dc.subject | aprendizaje profundo | es |
dc.subject | inteligencia artificial | es |
dc.subject | confusion matrix | en |
dc.subject | random forest | en |
dc.subject | learning model | en |
dc.subject | cybercriminal | en |
dc.subject | machine learning | en |
dc.subject | artificial intelligence | en |
dc.title | Detección y mitigación de ataques de denegación de servicio en redes IoT usando Inteligencia Artificial (IA) y técnicas de aprendizaje automático (ML) | ca |
dc.type | info:eu-repo/semantics/bachelorThesis | ca |
dc.audience.educationlevel | Estudis de Grau | ca |
dc.audience.educationlevel | Estudios de Grado | es |
dc.audience.educationlevel | University degrees | en |
dc.contributor.tutor | Pérez López, Fernando | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Appears in Collections: | Trabajos finales de carrera, trabajos de investigación, etc. |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
joseplopcapTFC0624.pdf | Memoria del TFG | 2,61 MB | Adobe PDF | View/Open |
Share:
This item is licensed under aCreative Commons License