Resumen

El Internet de las Cosas (IoT) ha crecido rápidamente y, en la actualidad, es explotado por ataques cibernéticos en dispositivos IoT. Un sistema preciso para identificar ataques maliciosos en el entorno de IoT se ha vuelto muy importante para minimizar los riesgos de seguridad en los dispositivos IoT. Los ataques de botnets se encuentran entre los más graves y extendidos, y amenazan a los dispositivos IoT. Los dispositivos IoT inmóviles presentan una debilidad de seguridad debido a la falta de memoria y resultados computacionales suficientes para una plataforma de seguridad. Además, numerosos sistemas existentes se presentan para encontrar patrones desconocidos en las redes de IoT para mejorar la seguridad. En este estudio, se propuso un algoritmo de aprendizaje profundo híbrido, una red neuronal convolucional y de memoria a corto plazo (CNN-LSTM), para detectar ataques de botnets, específicamente, BASHLITE y Mirai, en nueve dispositivos IoT comerciales. Se realizó una extensa investigación empírica empleando un conjunto de datos N-B

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Internet de las cosas; Ciberataques; Ataques de botnet; Riesgos de seguridad; Aprendizaje profundo; Modelo cnn-lstm
• Keywords:Internet of things; Cyber attacks; Botnet attacks; Security risks; Deep learning; Cnn-lstm model