Detección de ataques distribuidos de denegación de servicios en servidores web utilizando algoritmos de Machine Learning

Abstract

Los ataques DDoS, representan una amenaza significativa en el campo de la ciberseguridad, debido a su capacidad para interrumpir servicios legítimos y causar daños financieros y reputacionales. Estos ataques se efectúan al comprometer múltiples dispositivos que envían tráfico masivo para saturar los sistemas. A pesar de los avances en las tecnologías de protección y en las técnicas de mitigación, estos ataques siguen evolucionando y presentan desafíos constantes para la seguridad. Las técnicas de machine learning, como XGBoost , AdaBoost y perceptrón multicapa, se emplean se utilizan para mitigar y detener estos ataques. El perceptrón multicapa ha mostrado una alta precisión, alcanzando el 91,2%, mientras que otros modelos también ofrecen buenos resultados, pero con algunas limitaciones. La implementación de filtros adaptativos y estrategias de defensa en capas ha sido efectiva para reducir el tráfico de ataque y limitar el daño colateral. Eventos recientes, como el ataque DDoS a CloudFlare en 2023, que superó los 71 millones de solicitudes por segundo, demuestran la creciente sofisticación de estos ataques. A pesar de las medidas adoptadas, incluyendo modelos matemáticos y técnicas de aprendizaje automático para detectar ataques con alta precisión, la amenaza sigue siendo un desafío. Para enfrentar y mitigar los ataques DDoS de manera efectiva, es crucial combinar técnicas avanzadas de aprendizaje automático con estrategias de defensa en capas.