Detección de ataques DDoS en redes locales mediante análisis de tráfico con Wireshark y Machine Learning - Trabajo Fin de Máster

Aug 3, 2026

Subido por Ophelia

Desarrolla un sistema de detección de ataques DDoS (Denegación de Servicio Distribuido) en redes locales basado en aprendizaje automático. El enfoque diferencia tráfico normal frente a tráfico anómalo mediante análisis de patrones en el tráfico capturado con Wireshark y la extracción de variables representativas. Se define un conjunto de características orientadas a ataques volumétricos y se valida el algoritmo en un entorno de laboratorio controlado, simulando escenarios reales con tráfico legítimo y malicioso. El rendimiento se cuantifica con métricas estándar de ML (accuracy, recall y F1-score) y se contempla una interfaz para supervisión y alertas.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas39

Tiempo de lectura1 h 0 min

AccesoGratis para descargar

Tabla de contenidos

Objetivos

Captura y análisis de tráfico con Wireshark

Identificación y extracción de características para ataques volumétricos

Métricas de rendimiento del modelo (accuracy, recall, F1-score)

Interfaz de usuario para supervisión y alertas

Metodología

Estudio teórico y conceptual de DDoS y técnicas de detección

Estado del arte y comparación de enfoques

Diseño e implementación del sistema

Validación con simulación en laboratorio controlado

Evaluación práctica de resultados

Desarrollos teóricos y enfoque práctico

Desarrollo de trabajo de laboratorio

Infraestructura: nodo víctima y nodo de monitoreo

UNIVERSITAT POLITÈCNICA DE VALÈNCIA Dpto. de Comunicaciones Detección de ataques DDoS en redes locales mediante análisis de tráfico con Wireshark y Machine Learning Trabajo Fin de Máster Máster Universitario en Tecnologías, Sistemas y Redes de Comunicaciones AUTOR/A: Merchán Pincay, Freddy Mauricio Tutor/a: Lloret Mauri, Jaime CURSO ACADÉMICO: 2024/2025 Objetivos—Este Trabajo de Fin de Máster tiene como propósito desarrollar un sistema de detección de ataques DDoS (Denegación de Servicio Distribuido) basado en Machine Learning (ML) . Para ello, se implementará, entrenará y evaluará un algoritmo capaz de diferenciar entre tráfico de red normal y tráfico anómalo asociado a un ataque DDoS. El enfoque del estudio se centra en mejorar la precisión de la detección de este tipo de ataques mediante el análisis de patrones en el tráfico de red, combinando herramientas de captura de paquetes y técnicas avanzadas de aprendizaje automático. Para alcanzar este objetivo principal, se establecen lossiguientes objetivos específicos: • Capturar y analizar el tráfico de red en tiempo real con Wireshark: o Se utilizará Wireshark como herramienta clave para la supervisión del tráfico de red. Seaprovecharán sus funcionalidades de filtrado y análisis de paquetes para aislar flujos de datos relevantes y obtener información detallada sobre el comportamiento del tráfico en la red. • Identificar y extraer características clave del tráfico de red para detectar ataques DDoS volumétricos: o Se analizarán atributos específicos del tráfico, como frecuencia de paquetes, variabilidad en los tiempos de llegada y distribución de protocolos, con el objetivo de definir un conjunto de indicadores confiables de ataque. Este proceso combinará el conocimiento experto enseguridad informática con el uso de herramientas avanzadas de análisis. • Cuantificar el rendimiento del sistema de detección mediante métricas estándar de Machine Learning: o Se evaluará la eficacia del algoritmo mediante métricas ampliamente utilizadas enaprendizaje automático, como precisión (accuracy), recall y F1-score. Estas métricas permitirán determinar la capacidad del modelo para identificar ataques con alta precisión y minimizar falsos positivos o negativos en un entorno controlado. • Desarrollar una interfaz de usuario intuitiva para la supervisión y gestión de alertas: o Se diseñará y programará una interfaz gráfica interactiva, que permitirá a los administradores de red: o Visualizar en tiempo real el estado del tráfico de red. o Recibir alertas inmediatas ante detecciones de actividad sospechosa o ataques DDoS encurso. o Acceder a información detallada sobre los eventos registrados, facilitando el análisis y respuesta ante incidentes de seguridad. Metodología—Este Trabajo de Fin de Máster se ha desarrollado siguiendo una metodología cuantitativa, basada en el análisis de datos y la evaluación del rendimiento del modelo de detección. En primer lugar, se llevó a cabo un estudio teórico y conceptual sobre los ataques DDoS y las técnicas dedetección utilizadas en el ámbito de la ciberseguridad. Esto permitió comprender los principios fundamentales del problema y establecer una base sólida para el desarrollo del proyecto. A continuación, se realizó una revisión del estado del arte, analizando soluciones existentes para la detecciónde ataques DDoS. Se investigaron enfoques tradicionales, como sistemas de detección basados en reglas yfirmas, y enfoques modernos basados en inteligencia artificial y machine learning. Este análisis ayudó aidentificar fortalezas y limitaciones de las soluciones actuales, lo que permitió definir una estrategia adecuada para la implementación del sistema propuesto. Con la información recopilada, se diseñó una solucióninnovadora, combinando técnicas de captura y análisis de tráfico con Wireshark y modelos de aprendizajeautomático. La implementación del sistema se llevó a cabo en un entorno de laboratorio controlado, donde

Preguntas frecuentes

Cuál es el objetivo principal del trabajo?

Desarrollar un sistema de detección de ataques DDoS basado en machine learning para diferenciar tráfico normal de tráfico anómalo asociado a DDoS.

Cómo interviene Wireshark en el sistema propuesto?

Wireshark se utiliza para supervisar y capturar el tráfico de red, aplicando filtrado y análisis de paquetes para aislar flujos de datos relevantes e inspeccionar el comportamiento del tráfico.

Con qué métricas se evalúa el rendimiento del algoritmo?

El trabajo evalúa la eficacia del modelo con métricas estándar de machine learning, incluyendo accuracy, recall y F1-score, para estimar la capacidad de detección y controlar falsos positivos y negativos.

Aug 3, 2026

Subido por Ophelia