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
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 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.
Descargas
Citas
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.
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.
Derechos de autor 2025 Luis Uriel Hidalgo Vargas, José Antonio León Borges, Julio César Ramírez Pacheco, Homero Toral Cruz, Tanya Gabriela Makita Balcorta , Ismael Osuna Galán
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
