[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126122-es":3,"doc-seo-126122-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126122,5909887254083,"Miles","https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c",41,"Investigación e Informes","Detección de anomalías en redes domiciliarias basado en Machine Learning","El trabajo aborda la detección de intrusiones y ataques mediante técnicas de Machine Learning en el ámbito de la ciberseguridad, que concentra un volumen creciente de investigaciones. La limitación habitual es el uso de conjuntos de datos artificiales, donde los ataques se reconocen fácilmente y los modelos alcanzan resultados poco realistas. El estudio emplea conexiones legítimas extraídas de un escenario de red domiciliaria real y ataques inyectados a partir de capturas del primer semestre de 2022. Se evalúan métodos supervisados y no supervisados, concluyendo que, con las características consideradas, no es posible clasificar el tráfico con precisión en un entorno representativo; se establecen así bases para futuras líneas de investigación.","Trabajo Fin de Grado  \nDetección de anomalías en redes domiciliarias basado en Machine Learning  \nAnomalies Detection in Home Networks based on  \nMachine Learning  \nAutor  \nMiguel Ivars Carbó  \nDirector  \nÁlvaro Alesanco Iglesias  \nIngeniería de Tecnologías y Servicios de Telecomunicación  \nESCUELA DE INGENIERÍA YARQUITECTURA  \nABSTRACT: El trabajo propuesto se encuadra en el campo de la detección de ataquesy conexiones maliciosas mediante técnicas de Machine Learning (ML), área de laciberseguridad que continúa cobrando cada vez más importancia y centra la mayor parte de las investigaciones. Sin embargo, la mayor parte de estudios realizados sobre estas técnicas parten de conjuntos de datos artificiales en los que los ataques presentes resultan fácilmente reconocibles. En estas circunstancias, los algoritmos de ML obtienen puntuaciones elevadas, consecuencia sin embargo de un contexto inverosímil y no representativo de ninguna red real.  \nFrente a dicho planteamiento, el estudio realizado supone un acercamiento hacia la realidad en el que las conexiones legítimas son extraídas de un entorno de reddomiciliaria real. Asimismo, los ataques incorporados son obtenidos a partir de capturas de ataques registrados durante los seis primeros meses de 2022. Se probarán tanto lastécnicas de aprendizaje supervisado como no supervisado comprobando que, lo que tradicionalmente funcionaba en conjuntos artificiales, no es aplicable en un entorno real. Finalmente, se concluye que, ante un escenario representativo de la realidad, apartir de los parámetros considerados, los algoritmos carecen de la informaciónnecesaria para realizar una la clasificación del tráfico de forma precisa. Sin embargo, gracias a este estudio, se han sentado las claves y líneas futuras sobre las que cimentar futuras investigaciones que podrían llevar a la detección de intrusiones y anomalías en un entorno real.  \nABSTRACT: The proposed work focuses on the domain of intrusion and attack detection based on Machine Learning techniques (ML), area of cybersecurity which keeps gaining in popularity and occupies most of the research. However, most of these studies count on artificial datasets in which attacks are easily recognizable even at simple human inspection. Under these circumstances, ML algorithms achieve excellent results, though consequence of an implausible and non-representative of a real network scenario.  \nThe proposed study takes a realistic approach in which legitimate connections are extracted from a real home network scenario. In addition, injected attacks are obtained from captures of attacks performed during the first six months of 2022. Under these conditions, both supervised and unsupervised ML techniques will be evaluated, confirming that, what traditionally worked in an artificial environment is not applicable in a real context. Finally, it will be deduced that in a real scenario, counting on the considered features, algorithms lack the necessary information to perform a precise traffic classification. The basis upon which to cement future investigations will however be set, setting the starting point for future research.  \nÍNDICE DE CONTENIDOS  \nÍNDICE DE CONTENIDOS....................................................................................................................... 3  \nÍNDICE DE FIGURAS................................................................................................................................. 5  \nÍNDICE DE TABLAS ................................................................................................................................... 6  \nLISTA DE ACRÓNIMOS............................................................................................................................ 7  \n1. INTRODUCCIÓN ....................................................................................................................................... 8  \n2. TÉCNICAS DE MACHINE LEARNING EMPLEADAS ..............................","cbCailpsxmRYglTE","https://ap.wps.com/l/cbCailpsxmRYglTE","pdf",2589193,3,1,76,"Spanish","es",110,"# Introducción\n# Técnicas de Machine Learning empleadas\n## Aprendizaje supervisado\n## Aprendizaje no supervisado\n## Consideraciones adicionales\n# Configuración del escenario de red domiciliaria\n# Zeek como analizador de flujos\n## Parámetros generales de la conexión, ampli_conn.log\n## Parámetros del protocolo TLS, ampli_ssl.log\n# Base de datos elaborada\n## Composición general\n## Reparto entre test-train en algoritmos supervisados\n## Consideraciones adicionales\n# Análisis y discusión de los resultados\n## Métricas utilizadas\n## Resultados con los parámetros generales de la conexión\n## Algoritmos no supervisados\n## Algoritmos supervisados","[{\"question\":\"Por qué los resultados de Machine Learning suelen ser poco realistas en redes?\",\"answer\":\"La mayoría de estudios usan conjuntos de datos artificiales donde los ataques son fácilmente reconocibles. Esto lleva a puntuaciones altas que no reflejan un escenario real.\"},{\"question\":\"Qué datos se usan para representar conexiones legítimas y ataques en el estudio?\",\"answer\":\"Las conexiones legítimas se extraen de un entorno de red domiciliaria real. Los ataques se obtienen a partir de capturas de ataques realizados durante los seis primeros meses de 2022.\"},{\"question\":\"Qué concluye el estudio sobre la capacidad de los algoritmos para clasificar tráfico en un entorno real?\",\"answer\":\"Con los parámetros considerados, los algoritmos no cuentan con información suficiente para realizar una clasificación del tráfico de forma precisa en un escenario representativo. Aun así, sientan bases para futuras investigaciones.\"}]","Detección de anomalías en redes domiciliarias basado en Machine Learning | PDF",1785903280,117,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"anomaly-detection-in-home-networks-based-on-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/anomaly-detection-in-home-networks-based-on-machine-learning/126122/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Por qué los resultados de Machine Learning suelen ser poco realistas en redes?","Question",{"text":76,"@type":77},"La mayoría de estudios usan conjuntos de datos artificiales donde los ataques son fácilmente reconocibles. Esto lleva a puntuaciones altas que no reflejan un escenario real.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué datos se usan para representar conexiones legítimas y ataques en el estudio?",{"text":81,"@type":77},"Las conexiones legítimas se extraen de un entorno de red domiciliaria real. Los ataques se obtienen a partir de capturas de ataques realizados durante los seis primeros meses de 2022.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué concluye el estudio sobre la capacidad de los algoritmos para clasificar tráfico en un entorno real?",{"text":85,"@type":77},"Con los parámetros considerados, los algoritmos no cuentan con información suficiente para realizar una clasificación del tráfico de forma precisa en un escenario representativo. Aun así, sientan bases para futuras investigaciones.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]