Evaluación de técnicas de machine learning, Random Forest y XGBoost para la detección de troyanos - Vol.8 No.3

Aug 5, 2026

Subir por Violet

El estudio evalúa técnicas de aprendizaje automático, en particular Random Forest y XGBoost, para la detección de troyanos. La metodología se basa en la selección de características relevantes y en el uso de un conjunto de datos representativo. Los resultados indican una efectividad del 99% en ambos modelos, con una ligera ventaja para XGBoost. La mejora se atribuye a su gestión eficiente y adaptable de la complejidad del conjunto de datos, optimizando la precisión y evitando falsos positivos. Se destaca su utilidad para supervisión de amenazas en tiempo real.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas22

Tiempo de lectura34 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Contexto de ciberseguridad y amenaza de malware

Motivación por métodos proactivos basados en aprendizaje automático

Enfoque del estudio

Técnicas evaluadas: Random Forest y XGBoost

Selección de características y conjunto de datos

Vol.8 No.3 (2024): Journal Scientific Investigar ISSN: 2588–0659 [https://doi.org/10.56048/MQR20225.8.3.2024.275-296](https://doi.org/10.56048/MQR20225.8.3.2024.275-296) Evaluation of machine learning, random forest and xgboost techniques for trojan detection Evaluación de técnicas de machine learning, random forest y xgboost para la detección de troyanos Autores: Luna-Haro, César PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Ingeniero en Tecnologías de la Información Estudiante de la Maestría de Ciberseguridad Ambato – Ecuador Arellano-Aucancela, Alberto PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR Ing. Electrónica y Computación , Msc. en Informática Aplicada Docente Tutor de Seguridad en Infraestructura de Redes Ambato – Ecuador Fechas de recepción: 20-JUN-2024 aceptación: 27-JUN-2024 publicación:15-SEP-2024 [https://orcid.org/0000-0002-8695-5005](https://orcid.org/0000-0002-8695-5005) [http://mqrinvestigar.com/](http://mqrinvestigar.com/) Vol.8-N° 3, 2024, pp. 275-296 Journal Scientific MQRInvestigar 275 Vol.8 No.3 (2024): Journal Scientific Investigar ISSN: 2588–0659 [https://doi.org/10.56048/MQR20225.8.3.2024.275-296](https://doi.org/10.56048/MQR20225.8.3.2024.275-296) Resumen El objetivo de este estudio era evaluar técnicas de aprendizaje automático, en concreto Random Forest y XGBoost, para la detección de troyanos. La idea central fue que ambos métodos resultarían eficaces en esta tarea. La metodología consistió enseleccionar características relevantes y utilizar un conjunto de datos representativo. Los resultados demostraron que tanto Random Forest como XGBoost alcanzaron una efectividad del 99% en la detección de troyanos, con una ligera diferencia de XGBoost. Esta diferencia se atribuye a la gestión eficaz y adaptable de la complejidad del conjunto de datos por parte de XGBoost, que optimiza la precisión del modelo, al no registrar falsos positivos. La solidez de estos resultados se ve reforzada por los datos de evaluación recopilados. La importancia de este hallazgo radica en la aplicación con éxito del aprendizaje automático para la detección de amenazas de ciberseguridad, con implicaciones críticas para la seguridad de la información en entornos corporativos. Elestudio destaca la eficacia de Random Forest y, en particular, de XGBoost en ladetección de troyanos, lo que ofrece información valiosa para la supervisión deamenazas en tiempo real. Los autores sugieren considerar XGBoost como la mejor alternativa en este contexto, subrayando la importancia permanente de explorar y perfeccionar las técnicas de aprendizaje automático para mejorar la seguridad informática Palabras clave: Detección de troyanos; Machine learning; Random Forest; XGBoost Vol.8-N° 3, 2024, pp. 275-296 Journal Scientific MQRInvestigar 276 Vol.8 No.3 (2024): Journal Scientific Investigar ISSN: 2588–0659 [https://doi.org/10.56048/MQR20225.8.3.2024.275-296](https://doi.org/10.56048/MQR20225.8.3.2024.275-296) Abstract The aim of this study was to evaluate machine learning techniques, namely Random Forest and XGBoost, for Trojan detection. The central idea was that both methods would be effective in this task. The methodology consisted of selecting relevant features and using a representative dataset. The results showed that both Random Forest and XGBoost achieved an 99% effectiveness in detecting Trojans, with a slight difference for XGBoost. This difference is attributed to XGBoost's efficient and adaptive management of the complexity of the dataset, which optimises the accuracy of the model by not registering false positives. The robustness of these results is reinforced by the evaluation data collected. The significance of this finding lies in the successful application of machine learning for cybersecurity threat detection, with critical implications for information security in corporate environments. The study highlights the effectiveness of Random Forest and, in particular, XGBoost in detecting Trojan

Preguntas frecuentes

Cuál es el objetivo del estudio sobre Random Forest y XGBoost?

Evaluar técnicas de aprendizaje automático, específicamente Random Forest y XGBoost, para la detección de troyanos y comprobar su efectividad en esta tarea.

Cómo se realizó la metodología del trabajo?

Se seleccionaron características relevantes y se utilizó un conjunto de datos representativo para entrenar y evaluar los modelos.

Qué resultados alcanzan los modelos y cuál es la diferencia entre ellos?

Ambos logran 99% de efectividad en la detección de troyanos. XGBoost presenta una ligera ventaja, asociada a su manejo eficiente y adaptable de la complejidad del conjunto de datos y a la ausencia de falsos positivos.

Aug 5, 2026

Subir por Violet