Resumen:
CONDITION FOR PUBLICATION OF PROJECT. project develops and validates an artificial intelligence model for an Intrusion Detection System (IDS) with the goal of identifying cyber threats in real time within local military networks. The justification is based on the critical need to overcome the limitations of traditional systems in the face of sophisticated attacks, proposing an autonomous and adaptable approach for high-security infrastructures.
For the development, a comparative experimental evaluation was conducted between four Deep Learning architectures, using the CICIDS2017 dataset and tools such as TensorFlow and Keras. As a result of this competition, the hybrid 1D-CNN + LSTM model was selected for its superior performance, achieving an F1 score of 0.9894 and the lowest number of false negatives, the most critical error in this context. Subsequently, a functional prototype integrated this model and validated its effectiveness by successfully detecting a live port scanning attack.
In conclusion, the work demonstrates the feasibility of applying hybrid AI architectures to create precise security systems, establishing a solid foundation for modernizing cyber defense.
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. El presente proyecto desarrolla y valida un modelo de inteligencia artificial para un Sistema de Detección de Intrusiones (IDS), con el objetivo de identificar amenazas cibernéticas en tiempo real dentro de redes locales militares. La justificación se fundamenta en la necesidad crítica de superar las limitaciones de los sistemas tradicionales ante ataques sofisticados, proponiendo un enfoque autónomo y adaptable para infraestructuras de alta seguridad.
Para el desarrollo, se realizó una evaluación experimental comparativa entre cuatro arquitecturas de Deep Learning, utilizando el dataset CICIDS2017 y herramientas como TensorFlow y Keras. Como resultado de esta competición, se seleccionó el modelo híbrido 1D-CNN + LSTM por su rendimiento superior, el cual alcanzó un F1-Score de 0.9894 y la menor cantidad de falsos negativos, el error más crítico en este contexto. Posteriormente, un prototipo funcional integró este modelo y validó su eficacia al detectar exitosamente un ataque de escaneo de puertos en vivo.
En conclusión, el trabajo demuestra la viabilidad de aplicar arquitecturas híbridas de IA para crear sistemas de seguridad precisos, estableciendo una base sólida para la modernización de la ciberdefensa.
