Las empresas administran y comparten información permanentemente. Esta información, puede ser de tipo confidencial, restringido, de uso interno o abierto al público. Independientemente de su naturaleza, debe estar regida bajo un sistema integral que proteja esta información en todas las instancias y salvaguarde las operaciones de las instituciones.  

Sobre la detección de anomalías 

La detección de anomalías se presenta como una solución importante ya que proporciona un medio automatizado capaz de detectar valores atípicos perjudiciales y protege los datos. Amazon Web Services (2023) define a la detección de anomalías como un proceso en el que se examinan puntos de datos específicos para detectar incidencias poco comunes que parecen sospechosas al ser diferentes de los patrones establecidos de comportamiento.   

La mayoría de las propuestas de aprendizaje automático en Internet de las cosas (IoT) se diseñan y evalúan en conjuntos de datos preprocesados, donde los pasos de adquisición y limpieza de datos a menudo se consideran una caja negra. Además, los entornos de IoT tienen numerosos desafíos relacionados con la adquisición de datos de los sensores, donde los datos confidenciales pueden verse amenazados por usuarios maliciosos que buscan interferir con el canal de comunicación o el almacenamiento.  

Un modelo híbrido de detección de anomalías 

Aprender a diferenciar el tipo de amenaza/anomalía requiere energía y recursos computacionales adicionales. Wilmar Hernández, investigador UDLA, colabora en el artículo “Hybrid Anomaly Detection Model on Trusted IoT Devices” publicado en el “IEEE Internet of Things Journal”; y propone llevar a cabo técnicas de limpieza de datos en el propio dispositivo IoT y no en los servidores de la nube, con la finalidad de estar más cerca de la fuente de datos. De esta manera, el dispositivo IoT enviará datos confiables a la nube, resultando en una reducción considerable en el costo de implementación debido a un menor movimiento de datos entre los dispositivos IoT y la Nube. 

Gracias al uso de arquitecturas computacionales descentralizadas novedosas, este trabajo logra su objetivo al diseñar e implementar un modelo híbrido de Machine Learning (ML) que detecta datos anómalos y amenazas mediante un modelo de amenazas en dispositivos IoT. 

En conclusión 

La investigación proporciona una nueva perspectiva sobre la detección de anomalías. El modelo híbrido propuesto se evaluó en datos de series temporales de diferentes conjuntos de datos de sensores. En el futuro, se pretende ampliar la investigación sobre este método, optimizándolo aún más para diferentes datos de sensores con un amplio análisis de consumo de energía. 

Leer el artículo completo: https://ieeexplore.ieee.org/document/10039052