Modelo de clasificación basado en perceptrón multicapa para la detección de intrusiones en redes de computadoras
Resumen
La detección de intrusiones en redes de computadoras constituye uno de los principales desafíos en el ámbito de la ciberseguridad, debido al crecimiento exponencial del tráfico digital y a la sofisticación constante de los ataques informáticos. En este estudio se propone el diseño e implementación de un modelo de clasificación supervisada basado en redes neuronales artificiales, específicamente un perceptrón multicapa (MLP), orientado a la detección de intrusiones en redes de computadoras. El estudio adopta un enfoque cuantitativo experimental-descriptivo, siguiendo un proceso sistemático que incluyó la selección del conjunto de datos, el preprocesamiento de la información, el diseño de la arquitectura del modelo, el entrenamiento, la evaluación y la validación de los resultados obtenidos. Los resultados obtenidos muestran que el modelo MLP alcanza una precisión superior al 85 % en la clasificación de conexiones normales e intrusivas, evidenciando un desempeño satisfactorio y estable. Estos hallazgos confirman la efectividad del aprendizaje profundo aplicado a la detección de intrusiones y destacan su potencial como herramienta de apoyo para fortalecer la seguridad en infraestructuras de red. Finalmente, se concluye que el modelo propuesto constituye una solución viable para entornos de ciberseguridad, con posibilidades de mejora mediante la incorporación de nuevas características y la evaluación de arquitecturas alternativas.
Descargas
Citas
Ajagbe, S. A., et al. (2024). Intrusion detection: A comparison study of machine learning models using the UNSW-NB15 dataset. SN Computer Science, 5(1028). https://link.springer.com/article/10.1007/s42979-024-03369-0.
Alqithami, S., Stiawan, D., & Budiarto, R. (2025). On-the-fly, memory-aware unsupervised learning for network anomaly detection: A systematic literature review. PRIME Journal. https://www.sciencedirect.com/science/article/pii/S2772671125002621.
Baidar, R., Maric, S., & Abbas, R. (2025). Hybrid deep learning–federated learning powered intrusion detection system for IoT/5G advanced edge computing network. arXiv. https://arxiv.org/abs/2509.15555.
Biradar, J., Shah, S., & Naik, T. (2025). Attention augmented GNN RNN-attention models for advanced cybersecurity intrusion detection. arXiv. https://arxiv.org/abs/2510.25802.
Chinnasamy, R., Subramanian, M., & Easwaramoorthy, S. V. (2025). Deep learning-driven methods for network-based intrusion detection systems: A systematic review. ICT Express. https://www.sciencedirect.com/science/article/pii/S2405959525000050.
Lorenzo, D. (2025). Overview on intrusion detection systems for computers and deep learning approaches. Computational Intelligence and Neuroscience. https://www.mdpi.com/2073-431X/14/3/87.
Effectiveness of Machine Learning Models in Intrusion Detection Systems. (2024). LEIRD Virtual Edition. https://laccei.org/LEIRD2024-VirtualEdition/papers/Contribution_237_a.pdf.
Hybrid Machine Learning–Based Intrusion Detection System. (2025). International Journal of Security and Safety Engineering. https://iieta.org/journals/ijsse/paper/10.18280/ijsse.150815.
Kohli, M. (2025). A comprehensive survey on techniques, challenges, evaluation metrics and applications of deep learning models for anomaly detection. SN Applied Sciences. https://link.springer.com/article/10.1007/s42979-024-03369-0.
Lopez-Chila, et al. (2024). Revisión sobre el uso de machine learning para mejorar la seguridad informática. Universidad Politécnica Salesiana. https://dspace.ups.edu.ec/bitstream/123456789/29275/1/UPS-GT005918.pdf.
Lotfi, S., et al. (2022). Network intrusion detection with limited labeled data using self-supervision. arXiv. https://arxiv.org/abs/2209.03147
Modirrousta, M. H., et al. (2022). Analysis of anomalous behavior in network systems using deep reinforcement learning with CNN architecture. arXiv. https://arxiv.org/abs/2211.16304?utm_source=chatgpt.com
Muhammad, S. H., & Saeed, A. (2025). Network intrusion detection using the UNSW-NB15 dataset and a conditional GAN-augmented CNN. Computer Science & Information Technology (CS & IT). https://www.researchgate.net/publication/395826612_NETWORK_INTRUSION_DETECTION_USING_THE_UNSW-NB15_DATASET_AND_THE_CONDITIONAL_GANAUGMENTED_CNN.
Portmann, M., & Seneviratne, A. (2024). Towards explainable intrusion detection using neural networks. IEEE/ACM Conference on Big Data Computing, 1–8. https://doi.org/10.1109/BDCAT.2024.00012.
Tafreshian, B., & Zhang, S. (2025). A defensive framework against adversarial attacks on ML-based intrusion detection systems. arXiv. https://arxiv.org/abs/2502.15561
Vibhute, A. D., Khan, M., Patil, C. H., Gaikwad, S. V., & Mane, A. V. (2024). Network anomaly detection and performance evaluation of CNN on UNSW-NB15 dataset. Procedia Computer Science. https://www.sciencedirect.com/science/article/pii/S1877050924008871.
Waghmode, P. (2025). Intrusion detection system based on machine learning using multiple datasets including UNSW-NB15. Scientific Reports. https://www.nature.com/articles/s41598-025-95621-7.
Yagual, D. I. Q. (2022). Una revisión del aprendizaje profundo aplicado a la ciberseguridad. Revista RCTU. https://www.revistas.upse.edu.ec/index.php/rctu/article/view/671/556.
Zhang, Y., et al. (2025). A review of deep learning applications in intrusion detection systems. Applied Sciences, 15(3), 1552. https://www.mdpi.com/2076-3417/15/3/1552.
Derechos de autor 2026 Paquita Alejandra Cuadros García , Cristian Stalin Sancho López, Jessica Pilar Alejandro Becerra, Alexander Patricio Sócola Coronel, Jonathan Enrique Sanmartin Pangay
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
