pág. 1
ANÁLISIS DE REVISIÓN SISTEMÁTICA DE LA
APLICACIÓN DE ALGORITMOS DE APRENDIZAJE
AUTOMÁTICO EN SISTEMAS DE DETECCIÓN DE
INTRUSIÓN EN INTERNET DE LAS COSAS PARA
CIUDADES INTELIGENTES
ANALYSIS OF SYSTEMATIC REVIEW OF TYHE
APPLICATION OF MACHINE LEARNING ALGORITHMS IN
INTRUSION DETECTION SYSTEMS IN THE INTERNET OF
THINGS FOR SMART CITIES
Luis Uriel Hidalgo Vargas
Universidad Autónoma del Estado de Quintana Roo
José Antonio León Borges
Universidad Autónoma del Estado de Quintana Roo
Julio César Ramírez Pacheco
Universidad Autónoma del Estado de Quintana Roo
Homero Toral Cruz
Universidad Autónoma del Estado de Quintana Roo
Tanya Gabriela Makita Balcorta
Universidad Autónoma del Estado de Quintana Roo
Ismael Osuna Galán
Universidad Autónoma del Estado de Quintana Roo
pág. 11500
DOI: https://doi.org/10.37811/cl_rcm.v8i6.15929
Análisis de Revisión Sistemática de la Aplicación de Algoritmos de
Aprendizaje Automático en Sistemas de Detección de Intrusión en Internet
de las Cosas para Ciudades Inteligentes
Luis Uriel Hidalgo Vargas1
1620301@uqroo.edu.mx
https://orcid.org/0009-0006-8698-4929
Universidad Autónoma del Estado de Quintana
Roo
México
José Antonio León Borges
jleon@uqroo.edu.mx
https://orcid.org/0000-0002-3992-8696
Universidad Autónoma del Estado de Quintana
Roo
México
Julio César Ramírez Pacheco
juliocr@uqroo.edu.mx
https://orcid.org/0000-0002-0397-6063
Universidad Autónoma del Estado de Quintana
Roo
México
Homero Toral Cruz
htoral@uqroo.edu.mx
https://orcid.org/0000-0002-4421-3775
Universidad Autónoma del Estado de Quintana
Roo
México
Tanya Gabriela Makita Balcorta
t.makita@uqroo.edu.mx
https://orcid.org/0000-0001-6644-8199
Universidad Autónoma del Estado de Quintana
Roo
México
Ismael Osuna Galán
ismael.osuna@uqroo.edu.mx
https://orcid.org/0000-0002-3127-7489
Universidad Autónoma del Estado de Quintana
Roo
México
RESUMEN
La presente investigación tiene como propósito desarrollar un análisis exhaustivo mediante una revisión
sistemática de información, con el fin de responder a la pregunta de investigación: ¿Qué algoritmos
implementan el aprendizaje automático en los sistemas de detección de intrusiones en el Internet de las
cosas (IoT) en ciudades inteligentes? Para ello, se emplearon estrategias metodológicas basadas en la
búsqueda sistemática de artículos científicos extraídos de reconocidas bibliotecas virtuales, utilizando
bases de datos como IEEE, ScienceDirect de Elsevier y Springer. Estas fuentes se seleccionaron debido
a su alta reputación en la difusión de estudios tecnológicos y científicos de calidad. En una primera
etapa, se identificaron y descargaron 125 artículos relacionados con la temática, los cuales pasaron por
un proceso riguroso de lectura y evaluación para determinar su relevancia. Este procedimiento incluyó
la exclusión de trabajos que no cumplían con los criterios establecidos, garantizando así que solo se
consideraran publicaciones directamente vinculadas con el objeto de estudio. El análisis detallado de
1
Autor principal.
Correspondencia: 1620301@uqroo.edu.mx
pág. 11501
los artículos seleccionados permitió identificar los algoritmos más empleados en sistemas de detección
de intrusiones que integran aprendizaje automático en el ámbito del IoT, particularmente en el contexto
de las ciudades inteligentes. Los resultados obtenidos abarcan el período comprendido entre 2018 y
2023, y reflejan tendencias actuales, fortalezas y limitaciones de los algoritmos utilizados, así como su
capacidad para abordar los desafíos de seguridad en entornos interconectados. Este trabajo no solo
contribuye a entender el panorama tecnológico en esta área, sino que también proporciona una base
sólida para futuras investigaciones orientadas a la optimización y desarrollo de soluciones más eficaces
para proteger los sistemas IoT en ciudades inteligentes.
Palabras clave: aprendizaje automático, detección de intrusos, internet de las cosas,ciudades
inteligentes
pág. 11502
Analysis of Systematic Review of tyhe Application of Machine Learning
Algorithms in Intrusion Detection Systems in the Internet of Things for
Smart Cities
ABSTRACT
The present research aims to develop an analysis of the systematic review of information to answer the
research question: what algorithms implement machine learning in intrusion detection systems in the
Internet of Things (IoT) in smart cities?, with the methodological strategies of carrying out a systematic
search based on articles extracted from virtual libraries, using databases such as IEEE, ScienceDirect
from Elsevier and Springer. 125 downloaded articles are identified, where they are subsequently
excluded after reading. The results of the analysis of the articles show the most used algorithms in
intrusion detection systems in the field of machine learning, in the period between 2018 and 2023.
Keywords: machine learning, intrusion detection, internet of things, smart cities
Artículo recibido 15 noviembre 2024
Aceptado para publicación: 20 diciembre 2024
pág. 11503
INTRODUCCIÓN
En los últimos años, el avance del Internet de las Cosas (IoT) ha impulsado la creación de ciudades
inteligentes que operan en tiempo real, mejorando significativamente la calidad de vida en los entornos
urbanos (Alrashdi, 2019). Se proyecta que el número de dispositivos IoT a nivel mundial alcanzará los
25 mil millones para el año 2021, con aplicaciones cada vez más frecuentes en sectores como la atención
médica, la agricultura, el transporte, los servicios de inteligencia, los hogares y los sistemas urbanos
(Ciklabakkal, 2019). El desarrollo de dispositivos inteligentes ha introducido nuevas amenazas que
afectan todas las capas de la arquitectura IoT, lo que hace imprescindible diseñar e implementar
contramedidas de seguridad adecuadas (Liu, 2019). En este contexto, las ciudades inteligentes emplean
diversos procedimientos y métodos para identificar posibles amenazas a la seguridad (Casola, 2019).
Los sistemas de detección de intrusiones (IDS) basados en el aprendizaje automático utilizan técnicas
como el entrenamiento, la extracción y selección de características, así como el etiquetado, para
clasificar posibles amenazas (Liu, 2019). Sin embargo, los IDS tradicionales no están diseñados para
operar eficazmente en redes IoT debido a las limitaciones de recursos y funcionalidad de estos
dispositivos. Por ello, el aprendizaje automático se emplea como herramienta clave para identificar y
alertar sobre diversos tipos de ataques (Singh, 2021).
El objetivo de este trabajo es analizar a partir de la revisión sistemática sobre la aplicación del
aprendizaje automático en sistemas de detección de intrusiones para el Internet de las Cosas en ciudades
inteligentes (Hidalgo Vargas, y otros, 2023), con el objetivo de analizar los algoritmos usados en los
trabajos, basándose en la literatura publicada entre 2018 y 2023 en tres bibliotecas digitales: IEEE,
Springer y Elsevier. Se busca identificar los tipos de algoritmos empleados entre 2018 y 2023 en el
ámbito del aprendizaje automático, así como los diferentes tipos de sistemas de detección de intrusiones
(IDS) utilizados para proteger las redes contra ataques.
METODOLOGÍA
En análisis se realiza de la revisión sistemática que tuvo como propósito reunir información de
bibliotecas virtuales sobre el uso del aprendizaje automático en sistemas de detección de intrusiones
para IoT en ciudades inteligentes. Se incluyeron únicamente los artículos que cumplían estrictamente
con los criterios establecidos en la investigación. La búsqueda abarca un período de seis años, desde
pág. 11504
2018 hasta 2023. Los criterios para la inclusión de artículos fueron los siguientes: Aprendizaje
automático, Sistema de detección de intrusióny ciudades inteligentes.
Los criterios de exclusión de artículos son los siguientes:
• Resúmenes
• Comentarios
Los datos se pueden encontrar en diversas bibliotecas virtuales pertenecientes a editoriales reconocidas
como IEEE, Springer y Elsevier, las cuales se pueden descargar de las siguientes bases de datos
asociadas a cada editorial mencionada:
Se encontraron 125 artículos, de IEEE, 60 de Springer y 54 de Elsevier, fueron excluidos 109 después
de revisar título y resumen, y lectura a fondo.
La búsqueda es la siguiente:
• Machine AND learning AND in AND Intrusion AND Detection AND System AND IOT AND
networks AND for AND smart AND city' (2018-2023).
• Machine learning AND IDS AND IOT AND SMART CITY NOT survey NOT review.
La técnica para recolección es la siguiente:
• Exportar los artículos encontrados en la búsqueda.
• Cada artículo seleccionado se inspecciona, al no coincidir con el tema se exlcuyen.
• Finalmente, una lectura detallada permite seleccionar y eliminar los artículos
RESULTADOS Y DISCUSIÓN
La Tabla 1 presenta un resumen de las actividades realizadas en cada artículo, incluyendo los tipos de
datos trabajados y los objetivos de las investigaciones. Los datos analizados abarcan información de
redes, capas de niebla, tráfico de red, paquetes MQTT (Message Queuing Telemetry Transport),
vehículos inteligentes, prototipos específicos, recolección de datos de páginas web y otros enfoques
orientados a la recopilación de información. Además, se detallan las clasificaciones de ataques, los
métodos de detección, las descripciones de diseño de los IDS, y los procesos de extracción y selección
de características. También se mencionan algunos prototipos relevantes utilizados en los estudios.
Las actividades del grupo de intervención se enfocan en los programas y sistemas implementados,
destacando las funcionalidades de los prototipos. Estos sistemas monitorizan el tráfico de red para
pág. 11505
entrenar modelos, realizan procesos de extracción y selección de características, y proponen soluciones
para mejorar la seguridad. En la fase de resultados, se evalúa el tráfico de red utilizando varios
algoritmos, y se selecciona el más eficiente, siendo Random Forest el preferido en la mayoría de los
casos. Asimismo, se mide la precisión y efectividad de los prototipos desarrollados, validando y
seleccionando datasets adecuados para la detección de anomalías. Finalmente, se determina la
efectividad general de los programas y los logros alcanzados en cada caso.
Tabla 1 Resumen de artículos resultantes de la revisión sistemática
Autor/
año
Muestra
Objetivo
Resultados
S.
Singh
(Singh,
2021).
"Red de capa de niebla
(FOG) analizada, datos
entrenados = 3.768.176,
datos probados =
1.925.977" (Singh,
2021).
“Clasificar el tipo
de ataque tras su
detección”
(Singh, 2021).
"Probar el modelo
de tráfico de red"
(Singh, 2021).
I.Alras
hdi
(Alrash
di,
2019).
"Tráfico
descentralizado en
múltiples
clasificaciones.
Educados = 146.638.
Registros totales =
1.422.083" (Alrashdi,
2019).
"Detecta ataques
y reduce los
falsos positivos
con un sistema
AD-IOT."
(Alrashdi, 2019).
"El estudio
evaluó algoritmos
de aprendizaje
automático para
detectar tráfico de
red benigno
procedente de
actividades
maliciosas"
(Alrashdi, 2019).
Ciklab
akkal
(Ciklab
akkal,
2019).
"Aproximadamente 180
mil paquetes de 100 mil
son paquetes MQTT y
el resto son
principalmente
paquetes TCP de
paquetes relacionados
con MQTT"
(Ciklabakkal, 2019).
"Describimos el
diseño e
implementación
de un IDS basado
en anomalías para
redes IoT con
enfoque en
ataques MQTT"
"La detección de
intrusiones
basada en ML en
redes de IoT
basadas en
MQTT puede
lograr resultados
impresionantes”
pág. 11506
(Ciklabakkal,
2019).
(Ciklabakkal,
2019).
Liu
(Liu,
2019).
“Clasificación y
clasificación de
conjuntos de datos
balanceados y no
balanceados, un total de
664.574 probados y
1.531.902 entrenados”
(Liu, 2019).
"Se propone un
enfoque
supervisado con
proceso
automático de
extracción y
selección" (Liu,
2019).
"El panel
izquierdo
enumera las
funciones
seleccionadas. El
panel derecho
enumera las
funciones
seleccionadas"
(Liu, 2019).
M.
Aloqail
y
(Aloqail
y,
2019).
"Número de vehículos
utilizados en el estudio
= 40" (Aloqaily, 2019).
"El mecanismo de
detección de
falsos es una
solución de
monitoreo híbrida
que utiliza Deep
Belief Network
(DBN)"
(Aloqaily, 2019).
"Realizamos un
procedimiento de
clasificación de 5
clases para
evaluar el
rendimiento de
D2H-IDS
aplica el
conjunto de datos
NSL-KDD para
detectar ataques"
(Aloqaily, 2019).
Elsaeid
y
(Elsaeid
y,
2019).
"Si k- significa que es
un algoritmo de
agrupamiento, entonces
k está entre 1 y 10, y el
número máximo de
iteraciones es 500. En
el modelo RBM, el
"Se presenta para
crear marcos de
seguridad
confiables y
efectivos para
ciudades
"Resultados
realizados en el
conjunto de datos
del sistema
inteligente de
distribución de
agua para las
pág. 11507
número de capas está
entre 1 y 5, unidades
ocultas 50 por cada
capa oculta nivel.,
épocas 500, tasa de
aprendizaje 0.001, el
tamaño establecido es
100 y los valores de
momento inicial y final
son 0.5 y 0.9"
(Elsaeidy, 2019).
inteligentes"
(Elsaeidy, 2019).
diversas
configuraciones
experimentales
analizadas
anteriormente"
(Elsaeidy, 2019).
Rahma
n
(Rahma
n,
2021).
"Los autores
recopilaron 5.000
páginas web de
phishing y 5.000
legítimas para su
conjunto de datos
basándose en URL y
documentos HTML"
(Rahman, 2021).
"Marco híbrido
basado en la
selección de
características
(HEFS), para
obtener
características de
referencia para la
detección de
phishing
mediante el
aprendizaje
automático"
(Rahman, 2021).
"Aplicando SVM
a las 20
características de
clasificación
principales, los
resultados
numéricos son
Acc (99,89%), F1
(99,89%) y MCC
(99,77%).”
(Rahman, 2021).
Siddiqu
i
(Siddiq
ui,
2020).
“Basado en
transmisiones, el
conjunto de datos
consta de tráfico
malicioso resultante de
seis tipos de ataques
diferentes: fuerza bruta,
Heartbleed, Botnet,
DoS y DDoS, ataques
web y ataques de
"El método de
detección de
intrusiones se
creó con el
objetivo de
convertir
características
basadas en flujo
estadístico sin
procesar en una
representación
“NBAloT
propone aprender
un libro de
códigos temporal
para cada
dispositivo que
almacene sus
patrones de flujo
benignos más
importantes"
(Siddiqui, 2020).
pág. 11508
infiltración" (Siddiqui,
2020).
más discriminante
llamada
TempoCode-IoT"
(Siddiqui, 2020).
Pundir
(Pundir,
2021).
“El trabajo se centra en
los medios IoT para
poder utilizar este
prototipo MADP-
IIME” (Pundir, 2021).
"Mecanismo de
detección de
malware en un
entorno
multimedia
industrial
habilitado para
IoT mediante un
enfoque de
aprendizaje
automático
llamado MADP-
IIME" (Pundir,
2021).
"Se introdujo y
demostró en la
práctica un nuevo
sistema de
detección de
malware que
utiliza
aprendizaje
automático
(MADP-IIME)
para detectar la
presencia de
ataques" (Pundir,
2021).
Vigoya
Morale
s
(Vigoya
Morales
, 2023).
“Modelo de red de
sensores de
temperatura, creado con
técnicas estadísticas
para añadirlos en
dispositivos de baja
carga computacional y
ligeros dispositivos que
simulan los sensores
reales” (Vigoya
Morales, 2023).
“Presentación,
publicación,
optimización,
análisis y
validación de
datasets creados
para detección de
anomalías
empleando
aprendizaje
automático”
(Vigoya Morales,
2023).
“Análisis y
validación de los
datasets para la
detección de
anomalías
empleando
aprendizaje
automático”
(Vigoya Morales,
2023).
pág. 11509
Park
(Park,
2018)
"La recopilación de
datos se clasifica en
datos del sistema
operativo y datos de las
instalaciones" (Park,
2018).
"Este estudio
estableció una
arquitectura de
evaluación de
intrusiones
basada en
aprendizaje
automático,
calculó la tasa de
detección de
anomalías y la
eficiencia, y
comparó los
efectos" (Park,
2018).
"La reducción se
logró mediante la
construcción de
un sistema de
detección de
intrusos basado
en el aprendizaje
automático. El
sistema propuesto
mostró 33.33
logros de
procesos y más
del 29.29 por
ciento de
detección de
anomalías” (Park,
2018).
Fuente: (Hidalgo Vargas, y otros, 2023)
Tabla 2 Comparativa de los artículos con el tipo de IDS
Autores /
Artículos
Nombre
del
prototip
o
HIDS
(Host
Intrusion
Detection
System)
NIDS
(Network
Intrusion
Detection
System)
NBA
(Network
Behavior
Analysis
IDS)
WIDS
(wireless
Intrusion
Detection
System)
MQTT
(Message
Queuing
Telemetry
Transport
)
Nube /
niebla
I.Alrashdi
(Alrashdi,
2019)
AD-loT
Ciklabak
kal
(Ciklabak
kal, 2019)
Artemis
pág. 11510
Liu (Liu,
2019)
Método
AFES
S. Singh
(Singh,
2021)
UNSW-
NB15
M.
Aloqaily
(Aloqaily,
2019)
D2H-
IDS
Elsaeidy
(Elsaeidy,
2019)
Modelo
RBM
Rahman
(Rahman,
2021)
SVM,
Aegean
Wi-Fi
Intrusion
Dataset
Siddiqui
(Siddiqui,
2020)
TempoC
ode-IoT
Pundir
(Pundir,
2021)
MADP-
IIME,
Vigoya
Morales
(Vigoya
Morales,
2023)
DAD,
CIDAD
Park
(Park,
2018)
AMI,
DNN
Fuente: (Hidalgo Vargas, y otros, 2023)
La Tabla 2 se observa la clasificación del tipo de IDS de los artículos de la revisión sistemática según
(Aguilar, 2018), (Ciklabakkal, 2019), (Liu, 2019), (Singh, 2021), (Aloqaily, 2019), (Elsaeidy, 2019),
(Rahman, 2021), (Siddiqui, 2020), (Pundir, 2021), (Vigoya Morales, 2023), (Park, 2018), (Martinez,
pág. 11511
2017).
En la
Tabla 3 muestra una comparación sobre los algoritmos usados en los últimos 6 años 2018-2023 de
aprendizaje automático en los sistemas de detección de intrusiones. Los algoritmos listados son los
siguientes:
• Naive Bayes: Un modelo probabilístico utilizado en clasificación, basado en el teorema de Bayes.
• Decision Tree (RF): Árboles de decisión, incluidos en la variante Random Forest (RF), que
combina múltiples árboles para mejorar la precisión del modelo.
• Neural Network: Redes neuronales artificiales utilizadas para clasificación o regresión, que imitan
el funcionamiento del cerebro.
• Deep Learning: Un enfoque de redes neuronales con múltiples capas, útil para manejar grandes
volúmenes de datos complejos.
• Auto Encoder: Red neuronal utilizada principalmente para la reducción de dimensionalidad y la
detección de anomalías.
• Active Learning: Un enfoque en el que el modelo selecciona activamente los ejemplos más
informativos para aprender.
• Isolation Forest: Un algoritmo de detección de anomalías que aísla las observaciones.
• SVM (Support Vector Machine): Un modelo de clasificación que busca la mejor separación entre
clases.
• LR (Logistic Regression): Un modelo de clasificación basado en una función logística, utilizado
en problemas binarios.
• Adaboost: Un algoritmo de aprendizaje en conjunto que ajusta los pesos de los clasificadores según
su rendimiento.
Se puede observar como el algoritmo Decision Tree es el más utilizado en la actualidad y el algoritmo
Adaboost es el menos utilizado, junto con Autoencoder, Isolation Forest y Active Learning se utilizan
en menor medida, pero pueden ofrecer ventajas en tareas específicas de detección de ataques. Con una
“X” señala el algoritmo implementado en cada artículo para el prototipo. Naive Bayes es el segundo
algoritmo más incurrido en los estudios, con la mayoría de los autores considerando su efectividad para
pág. 11512
la detección de ataques. Decision Tree Random Forest (RF) es muy popular, siendo utilizado por varios
autores debido a su simplicidad y capacidad de interpretación. Neural Networks y Deep Learning son
seleccionados por autores que probablemente están trabajando con conjuntos de datos más grandes y
complejos. Isolation Forest aparece en trabajos que se centran en la detección de anomalías. Active
Learning, SVM, RF y Adaboost son los algoritmos explorados por (Ciklabakkal, 2019) y (Vigoya
Morales, 2023) de los once trabajos resultantes.
Tabla 3 Algoritmos usados para la detección de ataques
Autores /
artículos
NB
Decisio
n tree
(RF)
NN
DL
Auto
encode
r
AL
Isolati
on
forest
SV
M
LR
Adaboost
S. Singh
(Singh,
2021)
X
X
I.
Alrashdi
(Alrashdi,
2019)
X
Ciklabak
kal
(Ciklabak
kal, 2019)
X
X
X
X
X
Liu (Liu,
2019)
X
X
M.
Aloqaily
(Aloqaily,
2019)
X
Elsaeidy
(Elsaeidy,
2019)
X
Rahman
(Rahman,
2021)
X
X
pág. 11513
Siddiqui
(Siddiqui,
2020)
X
Pundir
(Pundir,
2021)
X
X
X
X
Vigoya
Morales
(Vigoya
Morales,
2023)
X
X
X
X
X
Park
(Park,
2018)
X
Nota: NB(Naïve Bayes), RF (Random Forest), NN (Neural Network), AL (Active Learning), DL (Deep Learning), SVM
(Support Vector Machine), LR (Linear Regression).
La Tabla 4 presenta una lista de autores junto con los artículos correspondientes y sus áreas de enfoque,
relacionadas con los componentes de las ciudades inteligentes (smart cities) a partir de (Sikora
Fernández, 2017). Cada área de la ciudad inteligente con una “X” si el autor aborda ese tema en su
trabajo. A continuación, se describe el contenido de la tabla en función de los temas abordados por cada
autor:
• Economía (smart economy): Incluye artículos que tratan sobre la economía inteligente, que puede
implicar el uso de tecnología y datos para mejorar la eficiencia económica en las ciudades.
• Transporte y comunicación (smart mobility): Se refiere a los estudios sobre cómo mejorar los
sistemas de transporte y las comunicaciones en las ciudades mediante tecnologías inteligentes.
• Medioambiente (smart environment): Trata sobre cómo las tecnologías pueden contribuir a la
sostenibilidad y la gestión eficiente del medioambiente en las ciudades.
• Personas (smart people): Examina la participación y el bienestar de las personas en un entorno
urbano inteligente, promoviendo la educación, la salud y la interacción social.
• Calidad de vida (smart living): Relacionado con la mejora de la calidad de vida de los residentes
mediante el uso de tecnologías inteligentes para una vida más cómoda y eficiente.
• Gestión y administración inteligente (smart governance): Hace referencia al uso de la tecnología
pág. 11514
para mejorar la administración pública y la toma de decisiones en la gestión de la ciudad.
Tabla 4 Resultados de los artíulos en tipos de ciudades inteligentes / IoT
Autores /
Artículos
Economía
(smart
economy)
Transporte y
comunicación
(smart
mobility)
Medioambiente
(smart
environment)
Personas
(smart
people)
Calidad
de vida
(smart
living)
Gestión y
administración
inteligente
(smart
governance)
I.Alrashdi
(Alrashdi,
2019)
X
X
X
X
X
X
Ciklabakkal
(Ciklabakkal,
2019)
X
X
X
X
Liu (Liu,
2019)
X
X
X
X
S. Singh
(Singh, 2021)
X
X
X
X
M. Aloqaily
(Aloqaily,
2019)
X
X
X
Elsaeidy
(Elsaeidy,
2019)
X
X
X
X
X
Rahman
(Rahman,
2021)
X
X
X
X
Siddiqui
(Siddiqui,
2020)
X
X
X
X
Pundir
(Pundir,
2021)
X
X
X
X
Vigoya
Morales
(Vigoya
Morales,
2023)
X
X
X
X
Park (Park,
2018)
X
X
X
X
Fuente: (Hidalgo Vargas, y otros, 2023)
El aprendizaje automático es un campo con amplias posibilidades de desarrollo y una variedad de
herramientas que permiten abordar problemas complejos mediante algoritmos que ofrecen soluciones
innovadoras y versátiles. Este enfoque resulta útil para resolver problemas que, en principio, podrían
parecer insolubles. Su aplicación se estructura a través de procesos y etapas definidas por cada autor en
función del prototipo y la situación específica en la que se implemente. Además, se incorpora el uso de
Sistemas de Detección de Intrusiones (IDS), que cumplen funciones variadas según el contexto. En este
pág. 11515
proceso, el aprendizaje automático recopila y analiza información de la red, entrenándose de forma
autónoma o con intervención humana, para posteriormente transmitir los resultados al IDS, encargado
de garantizar la seguridad de la red mediante el uso de diferentes tipos de IDS adaptados a escenarios
específicos en ciudades inteligentes. A partir de los artículos revisados, se concluye que, entre los cuatro
tipos de aprendizaje existentes, los más utilizados en el período 2018-2023 han sido el aprendizaje
supervisado, no supervisado y semi-supervisado. Cada uno de estos enfoques cuenta con una variedad
de algoritmos aplicados a proyectos específicos, siendo los más destacados el algoritmo Random Forest
(bosque aleatorio), seguido de las redes neuronales y el aprendizaje profundo (Deep Learning).
Los algoritmos empleados en aprendizaje automático, según los artículos revisados, incluyen: Naive
Bayes, Árbol de Decisión (Random Forest), Redes Neuronales, Aprendizaje Profundo, Codificadores
Automáticos, Aprendizaje Activo, Bosques de Aislamiento, Máquinas de Vectores de Soporte,
Aprendizaje en Selva y Regresión Logística. Estos algoritmos se utilizan para abordar problemas
mediante datasets ya entrenados o boost datasets, maximizando la eficiencia de los resultados. Existen
diferentes tipos de IDS diseñados para áreas específicas, dependiendo del problema a resolver. Entre
ellos se encuentran: WIDS (IDS basados en host), HIDS (IDS basados en red), NIDS (IDS basados en
nodos), NBA (Análisis de comportamiento de red) y protocolos como MQTT en entornos Cloud o Fog,
los cuales incrementan las soluciones disponibles frente a los ataques de red.
Por otro lado, las ciudades inteligentes que integran tecnologías IoT se encuentran en diferentes etapas
de desarrollo, y no todas están completamente actualizadas o automatizadas. Aquellas que ya han
adoptado estos sistemas, se han identificado elementos clave que deben ser considerados para su gestión
inteligente: economía, transporte y comunicación, medioambiente, personas, calidad de vida, y
administración eficiente. Estos factores determinarán las áreas específicas donde se priorizará la mejora
de la seguridad en el contexto de las ciudades inteligentes.
CONCLUSIONES
La presente investigación tuvo como objetivo desarrollar un análisis de la revisión sistemática para
responder a la pregunta de investigación: ¿qué algoritmos implementan el aprendizaje automático en
los sistemas de detección de intrusiones en el Internet de las cosas (IoT) en ciudades inteligentes? los
resultados en el análisis de la revisión sistemática ayuda a comprender la respuesta a la pregunta
pág. 11516
previamente planteada donde se encuentran algoritmos de aprendizaje automático Naive Bayes, Árbol
de Decisión (Random Forest), Redes Neuronales, Aprendizaje Profundo, Codificadores Automáticos,
Aprendizaje Activo, Bosques de Aislamiento, Máquinas de Vectores de Soporte, Aprendizaje en Selva
y Regresión Logística. La literatura en el período comprendido entre 2018 y 2023 muestra que el
algoritmo más usado fue Árbol de Decisión (Random Forest) en los sistemas de detección de intrusiones
en el ámbito del aprendizaje automático, sin embargo, se observa un creciente interés por técnicas más
avanzadas, como Deep Learning y Neural Networks, lo que refleja la tendencia hacia modelos más
complejos en la detección de ataques.
REFERENCIAS BIBLIGRAFICAS
Aguilar, R. M. (2018). Aprendizaje automático en la identificación de sistemas. Un caso de estudio en
la predicción de la generación eléctrica de un parque eólico. Revista Iberoamericana de
Automática e Informática., 114-127.
Aloqaily, M. (2019). An intrusion detection system for connected vehicles in smart cities. ELSEVIER,
27.
Alrashdi, I. (2019). AD-IoT: Anomaly Detection of IoT Cyberattacks in Smart City Using Machine
Learning. IEEE, 305-310.
Casola, V. (2019). A security monitoring system for internet of things. ELSEVIER, 20.
Ciklabakkal, E. (2019). ARTEMIS: An Intrusion Detection System for MQTT Attacks in Internet of
Things. IEEE, 3.
Elsaeidy, A. (2019). Intrusion detection in smart cities using Restricted Boltzmann Machines.
ELSEVIER, 76-86.
Hidalgo Vargas, L., Ramírez Pacheco, J., León Borges, J., Osuna Galan, I., Toral Cruz, H., & Makita
Balcorta, T. (11 de 2023). Revisión sistemática de la aplicación de aprendizaje automático en
sistemas de detección de intrusión en internet de las cosas de ciudades inteligentes. Quintana
Roo, México: UQRoo.
Li, Z. D. (2001). Intrusion Detection System. Computer Engineering, 7-9.
Liu, J. (2019). Automatic Feature Extraction and Selection For Machine Learning Based Intrusion
Detection. IEEE, 1400-1405.
pág. 11517
Martinez, G. R. (2017). Sistema de detección de intrusos en redes corporativas. Scientia et technica,
60-68.
Park, S.-T. (2018). A study on smart factory-based ambient intelligence context-aware intrusion
detection system using machine learning. Springer, 1-8.
Pundir, S. (2021). MADP-IIME: malware attack detection protocol in IoT-enabled industrial
multimedia environment using machine learning approach. Springer, 1-13.
Rahman, M. A. (2021). Effective combining of feature selection techniques for machine learning-
enabled IoT intrusion detection. Springer, 31381–31399.
Siddiqui, A. J. (2020). TempoCode-IoT: temporal codebook-based encoding of flow features for
intrusion detection in Internet of Things. Springer , 17-35.
Sikora Fernández, D. (2017). Factores de desarrollo de las ciudades inteligentes. Revista Universitaria
de Geografía, 26, 135-152.
Singh, S. (2021). MCIDS-Multi Classifier Intrusion Detection system for IoT Cyber Attack using
Deep Learning algorithm. IEEE , 354-360.
Tux. (06 de febrero de 2012). Qué son y para qué sirven. Obtenido de http://www.g3ekarmy.com/que-
son-y-para-que-sirven-los-firewalls/
Vigoya Morales, L. (2023). Aplicación de algoritmos de aprendizaje automático para la detección de
anomalías de tráfico en entornos IoT. Universidade da Coruña., 1-142.