Desarrollo de un sistema de detección de ataques de denegación de servicio (ddos) en redes iot, con especial enfoque en el ataque udp flood, utilizando técnicas de machine learning y el conjunto de datos ton iot como base
| dc.contributor.advisor | Cadena Muñoz , Ernesto | |
| dc.contributor.author | López Rodríguez, Haendel Jesús | |
| dc.contributor.author | Guzmán García, John Sebastián | |
| dc.contributor.orcid | Cadena Muñoz , Ernesto [0000-0002-1086-3665] | |
| dc.creator.email | h4nd3ln7@gmail.com | |
| dc.creator.email | jjohnsebastian3@gmail.com | |
| dc.creator.id | 20212373003 | |
| dc.creator.id | 20212373039 | |
| dc.date.accessioned | 2026-02-16T00:13:00Z | |
| dc.date.available | 2026-02-16T00:13:00Z | |
| dc.date.created | 2025-11-25 | |
| dc.description | Desde la creación de las redes IoT, el número de dispositivos conectados a ellas ha crecido exponencialmente, de igual manera crece la exposición a vulnerabilidades para dispositivos conectados a una Red IoT. Según DataReportal, en 2024, Colombia cuenta con 39.51 millones de usuarios de internet, con una penetración del 75.7%. Además, se registraron 77.02 millones de conexiones móviles activas, superando la población total del país en un 147.5%, lo que refleja el alto nivel de conectividad y la rápida adopción de dispositivos IoT en diversas áreas. Una de las principales preocupaciones de seguridad para las redes IoT son los ataques de denegación de servicio distribuido (DDoS), entre los cuales se destaca el ataque UDP Flood. Este tipo de ataques busca sobrecargar los recursos de un servidor a través de múltiples solicitudes, afectando gravemente la disponibilidad de los servicios. Por otra parte, en relación con la infraestructura 5G, el MinTIC ha autorizado a varias empresas realizar pilotos en ciudades como Bogotá, Medellín, y Cali para probar redes privadas y aplicaciones IoT. Estos ensayos incluyen sensores de temperatura, cámaras térmicas, y monitoreo remoto de la salud, mostrando cómo IoT se integra cada vez más en diversos sectores, incrementando las necesidades de seguridad cibernética. | |
| dc.description.abstract | Since the creation of IoT networks, the number of devices connected to them has grown exponentially, and likewise, the exposure to vulnerabilities for devices connected to an IoT network has increased. According to DataReportal, in 2024, Colombia has 39.51 million internet users, with a penetration rate of 75.7%. Additionally, 77.02 million active mobile connections were registered, exceeding the country’s total population by 147.5%, reflecting the high level of connectivity and the rapid adoption of IoT devices across various areas. One of the main security concerns for IoT networks is distributed denial-of-service (DDoS) attacks, among which the UDP Flood attack stands out. This type of attack seeks to overload a server’s resources through multiple requests, severely affecting service availability. Furthermore, in relation to 5G infrastructure, the Ministry of ICT (MinTIC) has authorized several companies to conduct pilot tests in cities such as Bogotá, Medellín, and Cali to evaluate private networks and IoT applications. These trials include temperature sensors, thermal cameras, and remote health monitoring, demonstrating how IoT is increasingly integrated across diverse sectors, thereby expanding cybersecurity requirements. | |
| dc.format.mimetype | ||
| dc.identifier.uri | http://hdl.handle.net/11349/100401 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Distrital Francisco José de Caldas | |
| dc.relation.references | S. T. Zargar, J. Joshi and D. Tipper, "A Survey of Defense Mechanisms Against Distributed Denial of Service (DDoS) Flooding Attacks," IEEE Communications Surveys & Tutorials, vol. 15, no. 4, pp. 2046–2069, Fourth Quarter 2013, doi: 10.1109/SURV.2013.031413.00127 | |
| dc.relation.references | A. Abdulrahman and M. K. Ibrahem, "Evaluation of DDoS attacks Detection in a New Intrusion Dataset Based on Classification Algorithms," Iraqi Journal of Information & Communications Technology, vol. 1, pp. 49–55, 2019, doi: 10.31987/ijict.1.3.40 | |
| dc.relation.references | S. S. Panwar, Y. P. Raiwani and L. S. Panwar, "Evaluation of Network Intrusion Detection with Features Selection and Machine Learning Algorithms on CICIDS-2017 Dataset," in Proc. Int. Conf. Advances in Engineering Science Management & Technology (ICAESMT), Uttaranchal Univ., Dehradun, India, Mar. 2019. Available: https://ssrn.com/abstract=3394103 | |
| dc.relation.references | S. Abiramasundari and V. Ramaswamy, "Distributed denial-of-service (DDoS) attack detection using supervised machine learning algorithms," Scientific Reports, vol. 15, no. 13098, 2025, doi: 10.1038/s41598-025-13098-x | |
| dc.relation.references | J. Agressoth and S. Murillo, "Sistema de seguridad electrónico IoT contra intrusión para inmuebles, con estructura de control, mediante aplicación en Android," Universidad Distrital, 2018. [Online]. Available: http://hdl.handle.net/11349/22444 | |
| dc.relation.references | M. Alduailij, S. Almalki and A. Alzahrani, "Machine-learning-based DDoS attack detection using mutual information and Random Forest feature importance method," Symmetry, vol. 14, no. 11, p. 2314, 2022, doi: 10.3390/sym14112314 | |
| dc.relation.references | G. Apruzzese, M. Colajanni, L. Ferretti, A. Guido and M. Marchetti, "On the effectiveness of machine and deep learning for cyber security," in Proc. Int. Conf. Cyber Conflict (CYCON), May 2018, pp. 371–389, doi: 10.23919/CYCON.2018.8405026 | |
| dc.relation.references | J. A. Ariza Gacharná, "Detección de ataques de reconocimiento en Redes IoT empleando modelos de Machine Learning," Universidad de los Andes, 2023. [Online]. Available: http://hdl.handle.net/1992/63988 | |
| dc.relation.references | Cloudflare, "Ataques DDoS más conocidos | Los mayores ataques DDoS de la historia." [Online]. Available: https://www.cloudflare.com/es-es/learning/ddos/famous-ddos-attacks/. [Accessed: Oct. 3, 2025] | |
| dc.relation.references | Computing, "Ataques DDoS: qué son, su evolución y cómo prevenirlos y mitigarlos." [Online]. Available: https://www.computing.es/informes/ataques-ddos-que-son-su evolucion-y-como-prevenirlos-y-mitigar-los/. [Accessed: Oct. 3, 2025] | |
| dc.relation.references | C. Aubley, D. Golden, M. Morris and K. Norton, "The future of cybersecurity and AI," Deloitte Insights, 2022. [Online]. Available: https://www2.deloitte.com/us/en/insights/focus/tech-trends/2022/future-of-cybersecurity and-ai.html | |
| dc.relation.references | E. Bertran Albertí, Procesado digital de señales. Fundamentos para comunicaciones y control – I. Barcelona: Poli·Text, UPC, 2006 | |
| dc.relation.references | C. A. Carvajal Hoyos and J. S. Susa Velandia, "Modelo de detección de ataques DDoS (distributed denial of services), con base en el clasificador decisión tree," Universidad Distrital, 2022. [Online]. Available: http://hdl.handle.net/11349/30117 | |
| dc.relation.references | Departamento Nacional de Planeación, "CONPES 3701 de 2011: Política nacional de ciberseguridad y ciberdefensa," 2011 | |
| dc.relation.references | E. Cortés Cabezas, "Diseño de un modelo de detección de intrusos en entornos IoT usando inteligencia artificial," Universidad Distrital, 2021. [Online]. Available: http://hdl.handle.net/11349/29671 | |
| dc.relation.references | S. Cruz and M. Sastoque, "Esquema de seguridad para entornos IoT en smart grids," Universidad Distrital, 2018. [Online]. Available: http://hdl.handle.net/11349/14752 | |
| dc.relation.references | DataReportal, "Digital 2024: Colombia," 2024. [Online]. Available: https://datareportal.com/reports/digital-2024-colombia | |
| dc.relation.references | V. H. C. De Albuquerque and D. F. Silva, "Performance analysis of machine learning models for intrusion detection system using Gini Impurity-based Weighted Random Forest (GIWRF) feature selection technique," Cybersecurity, 2021, doi: 10.1186/s42400-021 00103-8. | |
| dc.relation.references | I. M. Diego and A. I. Fernández, Ciencia de datos para la ciberseguridad, vol. 1. Madrid: RA-MA, 2020 | |
| dc.relation.references | Función Pública, "Ley 1581 de 2012 - Protección de datos personales." [Online]. Available: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49981 | |
| dc.relation.references | Función Pública, "Ley 1273 de 2009 - Delitos informáticos." [Online]. Available: https://www.sic.gov.co/recursos_user/documentos/normatividad/Ley_1273_2009.pdf | |
| dc.relation.references | J. García and K. Payares, "Detección de ataques realizados a un servidor por un nodo BOTNET mediante la implementación de un modelo de red neuronal de aprendizaje profundo (Deep Learning) usando el conjunto de datos BETH," Universidad Distrital, 2021. [Online]. Available: http://hdl.handle.net/11349/39595 | |
| dc.relation.references | A. Hamarshe, H. I. Ashqar and M. Hamarsheh, "Detection of DDoS attacks in software defined networking using machine learning models," arXiv, 2023. doi: 10.48550/arXiv.2303.06513 | |
| dc.relation.references | A. F. Hernández León, "Prevención de ataques en tiempo real para redes IIoT," Universidad de los Andes, 2023. [Online]. Available: http://hdl.handle.net/1992/69172 | |
| dc.relation.references | D. F. Huertas Morales and H. A. Ortiz Camargo, "Detección de ataques Probe en el dataset NSL KDD, mediante el uso del modelo de clasificación de máquinas de soporte vectorial (SVM)," Universidad http://hdl.handle.net/11349/31174 | |
| dc.relation.references | A. L. Luque Tovar and C. B. Bravo Builes, "Diseño e implementación de un sistema de protección contra el ataque de inyección SQL, en un servidor vulnerable utilizando herramientas Open Access," Universidad Distrital, 2021. [Online]. Available: http://hdl.handle.net/11349/29053 | |
| dc.relation.references | Q. Ma, H. Hussain, A. Alhogail and A. Sawalmeh, "Distributed Denial of Service (DDoS) classification based on random forest model with backward elimination and grid search," Scientific Reports, vol. 15, no. 19063, 2025, doi: 10.1038/s41598-025-19063-x | |
| dc.relation.references | MinTIC, "Comienza la carrera por el 5G en Colombia: cinco empresas adquieren los permisos de prueba," 2023. [Online]. https://www.mintic.gov.co/portal/inicio/Sala-de-prensa/Noticias/145612 | |
| dc.relation.references | N. Mishra and S. Pandya, "Internet of Things applications, security challenges, attacks, intrusion detection, and future visions: A systematic review," IEEE Access, vol. 9, pp. 59353–59377, 2021, doi: 10.1109/ACCESS.2021.3073408 | |
| dc.relation.references | NTC-ISO/IEC 27001, "Sistema de gestión de seguridad de la información." [Online]. Available: https://img1.wsimg.com/blobby/go/b653c9ee-535c-4528-a9c5 bb00166ad0dc/downloads/1cd65ml0r_919353.pdf | |
| dc.relation.references | A. Ojeda-Zapata, J. Gómez and R. Pérez, "Machine learning en ciberseguridad: revisión sistemática," in Proc. LACCEI Conf., 2024 | |
| dc.relation.references | M. Oliveira, R. Silva and P. Santos, Python para ciencia de datos y aprendizaje automático. São Paulo: Novatec, 2022 | |
| dc.relation.references | A. Pérez and C. Ramírez, "Aplicación de Support Vector Machine para la detección de ataques DDoS en redes corporativas," Revista Iberoamericana de Informática, vol. 18, no. 2, pp. 45–58, 2021 | |
| dc.relation.references | L. A. Polanía Arias, "Evaluación de modelos de machine learning para sistemas de detección de intrusos en redes IoT," Universidad de los Andes, 2021. [Online]. Available: https://repositorio.uniandes.edu.co/handle/1992/55526 | |
| dc.relation.references | MinTIC, "Resolución 500 de 2021: Requisitos técnicos para la implementación del Sistema Nacional de Ciberseguridad," 2021 | |
| dc.relation.references | L. Rodríguez and D. Morales, Introducción a la ciberseguridad: conceptos y herramientas. Bogotá: Ediciones Uniandes, 2020 | |
| dc.relation.references | J. Rojas and H. Manta, "Sistemas detectores de intrusos y análisis de funcionamiento del proyecto de código abierto Snort," Universidad Distrital, 2020. [Online]. Available: http://hdl.handle.net/11349/20095 | |
| dc.relation.references | J. Santos and P. López, "Machine learning aplicado a la predicción de ataques de red utilizando Random Forest y KNN," Revista Colombiana de Computación, vol. 21, no. 1, pp. 15–28, 2019 | |
| dc.relation.references | M. Sarhan, S. Layeghy, N. Moustafa and M. Portmann, "NetFlow datasets for machine learning-based network intrusion detection systems," in Lecture Notes of the Institute for 103 Computer Sciences, Social Informatics and Telecommunications Engineering, vol. 371, pp. 117–135, 2021, doi: 10.1007/978-3-030-72802-1_9 | |
| dc.relation.references | M. Sarhan, S. Layeghy and M. Portmann, "Towards a standard feature set for network intrusion detection system datasets," Mobile Networks and Applications, vol. 27, no. 1, pp. 357–370, 2022, doi: 10.1007/s11036-021-01843-0 | |
| dc.relation.references | R. Silva and F. Costa, Python avanzado para análisis de datos y ciberseguridad. México: FCA, 2018 | |
| dc.relation.references | J. Smith and A. Brown, "Detecting network intrusions using K-Nearest Neighbors," Journal of Network Security, vol. 12, no. 3, pp. 101–115, 2017 | |
| dc.relation.references | M. Torres and E. García, Aprendizaje automático y ciberseguridad: aplicaciones prácticas. Madrid: RA-MA, 2022 | |
| dc.relation.references | L. C. Urcuqui, D. Valencia and J. Álvarez, "Ciberseguridad: un enfoque desde la ciencia de datos (Trabajo de grado)," Universidad Icesi, 2018 | |
| dc.relation.references | R. Vega and P. Castro, "Aplicación de regresión logística para la clasificación de ataques de red," Revista Latinoamericana de Ingeniería, vol. 14, no. 2, pp. 77–90, 2021 | |
| dc.relation.references | O. E. Vargas Salamanca, "Detección de amenazas en redes IoT empleando modelos híbridos de machine learning y redes neuronales," Universidad de los Andes, 2023. [Online]. Available: http://hdl.handle.net/1992/68391 | |
| dc.relation.references | R. Waghmode, V. Patil and R. Jadhav, "Survey on machine learning models for DDoS attack detection and prevention," arXiv, 2025, doi: 10.48550/arXiv.2501.00123 | |
| dc.relation.references | J. Zapata and C. Herrera, "Técnicas de clasificación y regresión aplicadas a ciberseguridad," Universidad de Antioquia, 2019 | |
| dc.rights.acceso | Abierto (Texto Completo) | |
| dc.rights.accessrights | OpenAccess | |
| dc.subject | Ataques | |
| dc.subject | Intrusiones | |
| dc.subject | IoT | |
| dc.subject | Aprendizaje automático | |
| dc.subject | DDoS | |
| dc.subject.keyword | Attacks | |
| dc.subject.keyword | Intrusions | |
| dc.subject.keyword | IoT | |
| dc.subject.keyword | Machine learning | |
| dc.subject.keyword | DDoS | |
| dc.subject.lemb | Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas | |
| dc.title | Desarrollo de un sistema de detección de ataques de denegación de servicio (ddos) en redes iot, con especial enfoque en el ataque udp flood, utilizando técnicas de machine learning y el conjunto de datos ton iot como base | |
| dc.title.titleenglish | Development of a denial-of-service (DDoS) attack detection system in IoT networks, with a special focus on UDP Flood attacks, using machine learning techniques and the TON IoT dataset as a basis. | |
| dc.type | bachelorThesis | |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.degree | Monografía | |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis |
Archivos
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 7 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: