EUVIMEDEUVIMED entdecken
Crossref

ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017

Katherine Adriana Merino Villa, Juan Carlos Yungán Cazar, Edgar Gualberto Salazar Alvarez, Diego Alejandro Cáceres Veintimilla

Revista Científica Multidisciplinaria InvestiGo · 09.07.2026 · 7 (20) · 314-332

DOI: 10.56519/bvpms658 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Revista Científica Multidisciplinaria InvestiGo, online erschienen am 09.07.2026. Verfasst von Katherine Adriana Merino Villa und 3 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

El incremento de infraestructuras tecnológicas, de ciberamenazas y del volumen de tráfico de red, ha convertido a la detección de intrusiones como un componente crítico en ciberseguridad. Por lo anterior mencionado, el presente estudio realizó una evaluación comparativa del desempeño de los algoritmos Random Forest, Support Vector Machine y Naive Bayes, con respecto a la clasificación de tráfico. Como marco experimental, se empleó el dataset CIC-IDS2017, bajo un enfoque cuantitativo de tipo experimental, analizando tráfico BENIGN y ataques DDoS y PortScan, se trabajó con más de un millón de registros, los cuales siguieron los procesos de limpieza transformación numérica e imputación de datos faltantes. Posteriormente se seleccionaron 300 000 registros para entrenar los modelos y poder evaluarlos con las métricas de exactitud, precisión, recall y F1-score. Además, se evaluó la interacción e importancia de las variables, matrices de confusión y la correlación entre características del tráfico de red. Los resultados obtenidos evidenciaron que Random Forest presentó el mejor desempeño, alcanzando una exactitud cercana al 99.98 % y mostrando una alta capacidad para diferenciar tráfico. Por otro lado, Support Vector Machine obtuvo una exactitud aproximada del 80.74 %, con limitaciones para identificar ataques PortScan. En contraste, Naive Bayes registró el rendimiento más bajo con una exactitud de 44.62 %, evidenciando dificultades para trabajar con datasets complejos y con variables correlacionadas. El análisis de importancia de características permitió determinar que variables vinculadas al volumen de tráfico, al tamaño de los paquetes y al comportamiento estadístico de las transmisiones son determinantes para distinguir el tipo de tráfico. Estos hallazgos, evidencia que Random Forest es la opción más equilibrada: combina alta capacidad de generalización, resistencia al sobreajuste y eficiencia computacional, lo que lo hace adecuado para desplegar sistemas IDS basados en aprendizaje automático en redes reales, entornos donde la correlación entre variables es alta.

Zitieren

APA

Villa, K. A. M., Cazar, J. C. Y., Alvarez, E. G. S., & Veintimilla, D. A. C. (2026). ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017. Revista Científica Multidisciplinaria InvestiGo, 7(20), 314-332. https://doi.org/10.56519/bvpms658

Vancouver

Villa KAM, Cazar JCY, Alvarez EGS, Veintimilla DAC. ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017. Revista Científica Multidisciplinaria InvestiGo. 2026;7(20):314-332. doi:10.56519/bvpms658

BibTeX
@article{Villa2026,
  author = {Villa, Katherine Adriana Merino and Cazar, Juan Carlos Yungán and Alvarez, Edgar Gualberto Salazar and Veintimilla, Diego Alejandro Cáceres},
  title = {ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017},
  journal = {Revista Científica Multidisciplinaria InvestiGo},
  year = {2026},
  volume = {7},
  number = {20},
  pages = {314--332},
  doi = {10.56519/bvpms658}
}
Kostenlos starten →