Evaluación de uso de modelos de Machine Learning para la predicción de incidentes de seguridad física y cibernética a partir de datos de acceso, sensores y cámaras.

Abstract

Este estudio se centra en la evaluación de la eficacia de los modelos de Machine Learning (ML) para prever incidentes de seguridad física y cibernética, utilizando datos provenientes de sistemas de acceso, sensores y cámaras. Con el crecimiento de las amenazas cibernéticas y la creciente convergencia entre sistemas físicos y digitales, la capacidad de predecir y mitigar incidentes de seguridad antes de que ocurran se ha vuelto crucial para proteger tanto a las infraestructuras como a los usuarios. Este estudio tiene como objetivo identificar las fuentes de datos más relevantes, seleccionar los modelos de Machine Learning más adecuados para la predicción y recomendar modelos específicos para diferentes escenarios de seguridad. Se exploraron diversas fuentes de datos, entre las que se destacan los sistemas de acceso, que proporcionan información sobre los horarios y ubicaciones de los accesos, sensores, que detectan movimientos o cambios en el ambiente, y cámaras de vigilancia, que ofrecen datos visuales para corroborar incidentes. Estas fuentes, al ser procesadas mediante Machine Learning, permiten identificar patrones que pueden indicar la ocurrencia de incidentes de seguridad, como accesos no autorizados o actividades inusuales. En cuanto a los modelos de Machine Learning, se utilizaron modelos supervisados, como los árboles de decisión y máquinas de soporte vectorial (SVM), que mostraron una alta precisión en la predicción de incidentes predecibles. Por otro lado, los modelos no supervisados y las redes neuronales fueron evaluados para detectar comportamientos anómalos y patrones complejos, especialmente en escenarios cibernéticos donde los incidentes pueden ser desconocidos o más difíciles de identificar. Se identificaron áreas de mejora, como la reducción de falsos positivos y la optimización de la capacidad de procesamiento en tiempo real, elementos esenciales para mejorar la fiabilidad y eficacia de estos modelos en entornos de seguridad dinámica. El estudio concluyó que la combinación de datos de acceso, sensores y cámaras de vigilancia mejora significativamente la precisión de las predicciones de seguridad, al mismo tiempo que resalta la necesidad de integrar estos sistemas de manera más efectiva. Además, se destacó la importancia de realizar un ajuste continuo de los modelos, a medida que surgen nuevas amenazas y patrones de comportamiento. Finalmente, se recomendaron medidas para la optimización de los sistemas de recolección de datos, la mejora en el entrenamiento de los modelos y la colaboración entre empresas y autoridades para fortalecer los sistemas de seguridad.