2026-04-28T01:19:46Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/792702025-11-05T20:03:01Zcom_10324_38col_10324_852
Vara Lamúa, Adrián
2025-11-05T08:54:58Z
2025-11-05T08:54:58Z
2025
https://uvadoc.uva.es/handle/10324/79270
En un contexto de creciente digitalización y sofisticación de los ciberataques, los sistemas tradicionales de
detección de intrusiones, basados en firmas estáticas, resultan insuficientes para hacer frente a amenazas nuevas
o desconocidas. Este trabajo surge con la motivación de explorar alternativas más adaptativas mediante el uso
de inteligencia artificial.
El objetivo principal ha sido evaluar comparativamente distintos algoritmos de aprendizaje automático aplicados a la detección de intrusiones en redes, con el fin de identificar cuál ofrece el mejor equilibrio entre precisión, eficiencia computacional y robustez frente a clases desbalanceadas. Para ello, se ha llevado a cabo un
estudio del estado del arte, la selección y preprocesamiento del dataset CIC-IDS2017, y la implementación de
un sistema modular que permite entrenar y evaluar modelos como Random Forest, XGBoost, SVM y MLP en
distintos escenarios de clasificación.
Los resultados obtenidos muestran que XGBoost destaca como el modelo más eficaz, manteniendo un alto
rendimiento incluso al reducir el número de características a las 30 más relevantes. En conclusión, este trabajo
demuestra la viabilidad del uso de técnicas de aprendizaje automático en sistemas de detección de intrusiones,
sentando una base sólida para el desarrollo de soluciones más inteligentes, escalables y adaptadas a entornos
reales.
In a context of increasing digitalization and increasingly sophisticated cyberattacks, traditional intrusion
detection systems based on static signatures are no longer sufficient to address new or unknown threats. This
project aims to explore more adaptive alternatives through the use of artificial intelligence.
The main objective is to comparatively evaluate various machine learning algorithms applied to network
intrusion detection, identifying the one that offers the best balance between accuracy, computational efficiency,
and robustness against imbalanced classes. To achieve this, a comprehensive study was conducted, including a
review of the state of the art, preprocessing of the CIC-IDS2017 dataset, and the implementation of a modular
system to train and evaluate models such as Random Forest, XGBoost, SVM, and MLP under different classification scenarios.
The results show that XGBoost stands out as the most effective model, maintaining high performance even
when the number of features is reduced to the 30 most relevant ones. In conclusion, this work demonstrates the
feasibility of using machine learning techniques in intrusion detection systems and lays a solid foundation for
the development of smarter, more scalable, and real-world-ready solutions.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
WatchdogAI: detección de ataques de intrusión mediante inteligencia artificial
info:eu-repo/semantics/bachelorThesis