Resumen:
CONDITION FOR PUBLICATION OF PROJECT. Security in the Ecuadorian supply chain is compromised by attacks that threaten both
cargo integrity and the reliability of tracking systems. This project presents the design of
an intelligent IoT lock aimed at ensuring logistics integrity and traceability by detecting
physical anomalies and GPS spoofing. To achieve this, a functional prototype was
developed integrating an ESP32 microcontroller, an MPU6050 inertial sensor, and a
GPS module. Physical anomaly detection was implemented using a Random Forest
Machine Learning model, trained with empirical data from real routes and simulated
attacks. Additionally, an anti-spoofing algorithm based on inertial data fusion and dead
reckoning was developed. The results from the experimental validation showed the
system’s high effectiveness: the anomaly classifier achieved an overall accuracy of 99%
without generating false alarms, while the anti-spoofing mechanism successfully identified
fraudulent GPS signals. It is concluded that sensor fusion through an artificial intelligence
model is a robust and viable strategy that offers a dual layer of protection against physical
and digital threats in freight transport.
Keywords: Logistics Security, Internet of Things, Machine Learning, GPS Spoofing
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. La seguridad en la cadena de suministro ecuatoriana se ve comprometida por ataques que
vulneran la integridad de la carga y la fiabilidad de los sistemas de rastreo. Este proyecto
presenta el diseño de un candado inteligente IoT cuyo objetivo es garantizar la integridad
y trazabilidad logística mediante la detección de anomalías físicas y la suplantación de
señal GPS (spoofing). Para ello, se desarrolló un prototipo funcional que integró un
microcontrolador ESP32, un sensor inercial MPU6050 y un módulo GPS. La detección
de anomalías físicas se implementó a través de un modelo de Machine Learning tipo
Random Forest, entrenado con datos empíricos de rutas reales y ataques simulados.
Adicionalmente, se desarrolló un algoritmo anti-spoofing basado en la fusión de datos
inerciales y la navegación por estima. Los resultados de la validación experimental
demostraron una alta efectividad del sistema: el clasificador de anomalías alcanzó una
precisión general del 99%, sin generar falsas alarmas, mientras que el mecanismo
anti-spoofing logró identificar con éxito las señales de GPS fraudulentas. Se concluye
que la fusión de sensores mediante un modelo de inteligencia artificial es una estrategia
robusta y viable que ofrece una doble capa de protección contra las amenazas físicas y
digitales en el transporte de mercancías.
