IDENTIFICACIÓN EFICIENTE DE ATAQUES DDOS MEDIANTE APRENDIZAJE SUPERVISADO

Abstract

El crecimiento en el uso de dispositivos y sistemas, motivado por la evolución tecnológica y las necesidades de comunicación de la población, ha dado lugar a un aumento de la frecuencia y complejidad de ataques cibernéticos. En particular, los ataques de Denegación de Servicios Distribuido (DDoS) representan una gran amenaza para la disponibilidad de servicios en línea. En este contexto, este determinado tipo de ataque, inunda los recursos de red con una gran cantidad de tráfico malicioso con el fin de paralizar infraestructuras y servicios, causando pérdidas económicas significativas.

El presente Trabajo Fin de Grado se centra en la identificación eficiente de ataques DDoS mediante técnicas de aprendizaje supervisado. El objetivo principal es la evaluación de modelos que pueden detectar este tipo de ataques de manera eficaz y eficiente, asegurando una rápida detección de ataques DDoS. Para lograr esto, se ha utilizado un conjunto de datos representativo y reconocido en el ámbito de la detección de DDoS.

Los resultados obtenidos son competitivos en precisión y velocidad de la detección de este tipo de ataque frente al estado del arte. Este estudio ha permitido identificar características clave que mejoran la capacidad de clasificación del tráfico.