Vol. 11/ Núm. 2 2024 pág. 2798
https://doi.org/10.69639/arandu.v11i2.468
La inteligencia artificial en la seguridad informática: Una
revisión literaria
Artificial Intelligence in Information Security: A Literature Review
Bernabe Ortega Tenezaca
bortega@uea.edu.ec
https://orcid.org/0000-0001-9693-6951
Universidad Estatal Amazónica
Puyo – Ecuador
Lady Rodriguez Carmona
lv.rodriguezc@uea.edu.ec
https://orcid.org/0009-0000-1570-827X
Universidad Estatal Amazónica
Puyo – Ecuador
Edgar Macías Farias
ef.maciasf@uea.edu.ec
https://orcid.org/0009-0001-6976-9024
Universidad Estatal Amazónica
Puyo – Ecuador
Janick Rodrigo Cevallos Illicachi
jr.cevallosi@uea.edu.ec
https://orcid.org/0000-0002-1138-7357
Universidad Estatal Amazónica
Puyo – Ecuador
Artículo recibido: 20 octubre 2024 - Aceptado para publicación: 26 noviembre 2024
Conflictos de intereses: Ninguno que declarar
RESUMEN
El presente trabajo tiene como objetivo, presentar una revisión y análisis de la literatura científica
más reciente, relativa a la aplicación y uso de la inteligencia artificial, en la detección de
amenazas, en el campo de la seguridad informática, mediante la aplicación de algoritmos como
los de aprendizaje automático, y sus principales tendencias para enfrentar los desafíos actuales,
relativas a la detección de ataques evasivos que intentan burlar los sistemas de seguridad
tradicionales, tomando en cuenta las fortalezas, sus debilidades y retos que aún persisten como la
identificación de patrones sospechosos, y la necesidad de grandes cantidades de datos de alta
calidad para entrenar los modelos de IA. La importancia de este trabajo radica en que sirve como
una guía, para investigadores, desarrolladores de software y profesionales de la seguridad
informática, que se encuentren interesados en generar sistemas de detección de fallas de seguridad
y amenazas, más robustos y eficientes, congruentes con las necesidades actuales.
Palabras clave: inteligencia artificial, ciberseguridad, aprendizaje automático
Vol. 11/ Núm. 2 2024 pág. 2799
ABSTRACT
The purpose of this paper is to present a review and analysis of the most recent scientific literature
on the application and use of artificial intelligence in threat detection in the field of computer
security, through the application of algorithms such as machine learning, and its main trends to
meet the current challenges, The main trends in the detection of evasive attacks that attempt to
circumvent traditional security systems, taking into account the strengths, weaknesses and
challenges that still persist, such as the identification of suspicious patterns, and the need for large
amounts of high quality data to train AI models. The importance of this work lies in the fact that
it serves as a guide for researchers, software developers and computer security professionals who
are interested in generating more robust and efficient systems for detecting security flaws and
threats, congruent with current needs.
Keywords: artificial intelligence, cyber security, machine learning
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 11/ Núm. 2 2024 pág. 2800
INTRODUCCIÓN
En el mundo actual, el impactante desarrollo de la Inteligencia Artificial (IA) enfrenta
vario retos, entre ellos, en el sector de la seguridad de la información y particularmente en el
campo de la ciberseguridad. La IA mejora significativamente la detección y respuesta en tiempo
real, de amenazas mediante algoritmos de aprendizaje automático, incrementando el nivel y los
mecanismos de defensa de un entorno de red (Sharko et al., 2024; Zhou & Liang, 2024). La
evaluación de los riesgos asociados y capacidad de respuesta de la IA ante amenzas de
ciberataques son cada vez son más eficientes, según estudios han logrado alcanzar un 30% más
en la precisión en la detección de amenazas y en un 40% la reducción de falsos positivos en
comparación los métodos tradicionales (Chaowen, 2024). El acceso a la computación de altas
prestaciones, hace posible el tratamiento de grandes cantidades de datos que permiten realizar
estudios con mayor precisión de patrones y anomalías relacionadas a la seguridad informática
(Tairov, 2024), y permite la automatización de tareas complejas y rutinarias (Munjal et al., 2024).
El despliegue de la IA, plantea problemas éticos, por lo que es imperioso establecer directrices
morales que aborden los temas de toma de decisiones (Munjal et al., 2024) (Sharko et al., 2024).
En el presente trabajo se presenta una revisión literaria sistemática basado en las Directrices de
elementos de información preferidos para revisiones sistemáticas y meta-análisis (acrónimo en
inglés PRISMA)(Yusuff, 2023). La importancia de este trabajo radica en la valoración de las
oportunidades y los nuevos desafíos para el desarrollo desde el contexto académico sobre los
avances de la IA y su aplicación en la seguridad informática como herramienta fundamental en la
batalla contra el cibercrimen.
Terminología
Con el objetivo de preparar la base para la revisión literaria, se definen la terminología
principal, que establece el contexto del desarrollo de este trabajo.
Advanced Persistent Threat APT
Las amenazas persistentes avanzadas por sus siglas en inglés APT, son ataques
cibernéticos sofisticados ejecutados por grupos u organizaciones dirigidos a empresas de alto
perfil o entidades de gobierno (Bokhari & Myeong, 2023). Los APT difieren del malware
tradicional debido a su sofisticado mecanismo de acción con un enfoque específico (Xuan et al.,
2020). Las APT contemplan una serie de pasos coordinados dentro de la redes informáticas cuya
activación se asocia a grupos financiados como el crimen organizado (Bhardwaj, 2023). Las APT
se centran en objetivos específicos de alto valor, para lo cual se requiere una estrategia de
seguridad multicapa con mecanismos de detección avanzados (Alsanad & Altuwaijri, 2022;
Hasan et al., 2023; J. Zhang et al., 2024). Las contramedidas de seguridad como Firewalls e
IDS/IPS pueden ser insuficientes, requiriendo para este caso técnicas proactivas de búsqueda de
Vol. 11/ Núm. 2 2024 pág. 2801
amenazas, como las que utilizan análisis forense de memoria, para identificar y mitigar las
amenazas que evaden los sistemas de monitoreo estándar (Ali et al., 2024; Dau et al., 2024).
Phishing
El phishing es una de las formas delito cibernético en auge que intenta obtener
información confidencial de manera fraudulenta (Ajhari et al., 2023). Mediante emite
comunicaciones electrónicas haciéndose pasar por una entidad confiable que busca información
como nombres de usuario, contraseñas y detalles de tarjetas de crédito, entre otros (Yunoose et al.,
2022). El phishing es clasificado como una forma de estafa por Ingeniería Social, que suplantan
la identidad de organizaciones legitimas mediante enlaces ilegales que dirigen al usuario a sitios
web falsos HTML peligroso (Li et al., 2020). El elemento humano es una vulnerabilidad crítica
en los ataques de phishing, ya que estas estafas explotan debilidades y comportamientos humanos
(Mohebzada et al., 2012). La susceptibilidad al phishing sigue siendo una amenaza importante,
especialmente a medida que el cibercrimen continúa evolucionando y plantea amenazas
significativas para la sociedad (Ribeiro et al., 2023).
Distributed Denial of Service DDoS
Un ataque de denegación de servicio distribuido (DDoS) se define como un intento
malicioso de interrumpir el funcionamiento de un servidor, servicio o una red objetivo (Alomari
et al., 2024). El ataque DDoS se ejecuta sobre sistemas comprometidos, generalmente formando
una botnet, que envía una cantidad masiva de tráfico al objetivo, haciendo que no responda
solicitudes legitimas a sus usuarios (Dhananjay Tangtode et al., 2024). En la actualidad los
ataques DDoS han incrementado su potencial de ataque con volúmenes de datos que alcanzan
cientos de terabytes, dificultando su detección y mitigación (Dhananjay Tangtode et al., 2024).
Las redes inalámbricas de sensores (WSN) son vulnerables a ataques DDoS debido a su naturaleza
diversa y desequilibrada de datos (Reza, 2024).
Malware
El software malicioso malware es una amenaza que abarca varios tipos de amenazas como
virus, gusanos, troyanos, Ransomware y spyware. El malware tiene como objetivo robar, cifrar,
eliminar datos confidenciales, comprometer funciones informáticas (Rao-Kadari et al., 2024). Las
técnicas tradicionales para la detección de malware basadas en firmas y heurísticas, actualmente
resultan ineficaces contra nuevas variantes como virus metamórficos, cifrados y polimórficos
(Christopher & Ayorinde, 2024). El estudio de contramedidas para malware es escencial dentro
del mundo de la ciberseguridad que intenta comprender su comportamiento (Tilmar Jakobsern,
2024). La evolución de malware de formas tradicionales monomórficas a formas polimórficas,
metamórficas y oligomórficas requiere sistemas de detección más avanzados (Supriyanto et al.,
2024) .
Vol. 11/ Núm. 2 2024 pág. 2802
Detección de Intrusiones
La detección de intrusiones es un tema crítico en la ciberseguridad, que monitorea el
tráfico de red y los procesos de host en busca de actividades sospechosas, emitiendo alertas
cuando se detectan (Bertino et al., 2023). Los modelos tradicionales de detección de intrusiones
basadas en firmas para amenazas conocidas, en la actualidad son insuficientes frente al
crecimiento exponencial del uso de internet y diversidad de nuevos protocolos (A. Singh et al.,
2024a). Los sistemas de detección de intrusión IDS se implementan como aplicaciones de
software o dispositivos de hardware, actuando como capa protectora de la infraestructura de red
(Xue et al., 2021). Los IDS emiten alertas cuando se encuentran actividades sospechosas dentro
de un entorno computacional (Xue et al., 2021).
Ransomware
El ransomware se categoriza como un tipo de software malicioso, desarrollado para el
cibercrimen. El malware infecta un sistema informático toma control de los archivos del usuario,
impidiendo el acceso a ellos hasta que se pague un rescate, generalmente en criptomonedas
(Thakur et al., 2022). El creador del ransomware promete que una vez que se reciba el pago, el
dueño de la información secuestrada, recibir una clave de descifrado (Thakur et al., 2022) (Hyslip
& Burruss, 2023). El ransomware inicia en la década de los 2000, y por su fácil propagación
pasaron de atacar a usuarios comunes a usuarios corporativos (Hyslip & Burruss, 2023). Se
conoce una variante de Rasomware-as-a-service que se oferta en foros hackers y la deep-web que
permite su uso a cambio de compartir el dinero de los rescates (Hyslip & Burruss, 2023). Este
delito se persigue a nivel internacional y ha logrado desmantelar operaciones en ransomware-as-
a-service con arrestos de alto perfil (Ahmed et al., 2022).
METODOLOGÍA
El proposito de la presente revisión literaria, es de identificar y evaluar el estado del arte
de la investigación de la inteligencia artificial en la seguridad informática en sus diversas areas,
y luego clasificar las investigaciones relevantes para identificar posibles oportunidades para
futuras investigaciones. La revisión literaria es un enfoque válido y un paso necesario que permite
establecer un campo de investigación e identificación de la conceptualización (Yusuff, 2023)
(Rao, 2023).
Nuestra revisión literaria se basa en las consideraciones y terminología previamente
expuestas, y sigue un proceso sistemático basado en PRISMA (Preferred Reporting Items for
Systematic reviews and Meta-Analyses) (PRISMA Statement, s. f.; Rico-González et al., 2021).
El proceso de análisis contiene tres etapas (PRISMA Statement, s. f.): Identification,
Screening, Included. El proceso implica una búsqueda bibliográfica detallada en bases de datos,
utilizando términos relevantes, y un diagrama de flujo para describir el proceso de cribado y
selección (Yusuff, 2023).
Vol. 11/ Núm. 2 2024 pág. 2803
Figura 1
Diagrama de flujo explicativo PRISMA 2020 para nuevas revisiones sistemáticas que incluyen
búsquedas en bases de datos, registros y otras fuentes
Nota: El diagrama incluye los datos cuantitativos obtenidos en las diferentes búsquedas de acuerdo con el modelo de
la declaración PRISMA (Haddaway et al., 2022).
Nuestra revisión bibliográfica incluye artículos de revistas revisadas por pares. En afán
del rigor científico, se excluyeron documentos de trabajo no publicados, conferencias, revisiones,
entrevistas, servicios, ensayos, metodologías comparativas, y documentos de conferencias. La
búsqueda bibliográfica se delimito desde el año 2020. En algunos casos estrictos de
conceptualización se han utilizado artículos fuera del rango descrito para definiciones clásicas.
Mediante el modelo WWH (Mohanty & Bala Das, 2018) se plantea la pregunta de
investigación (PI)“¿Cómo se aplica la inteligencia artificial en la mejora de la detección y
respuesta ante ciberataques, qué beneficios y desafíos se han identificado en estudios recientes?”
Para la fase de identificación (PRISMA Statement, s. f.), se utilizó la información más
relevante y limitados a artículos científicos en las bases de datos Scopus y de Google Scholar ver
Tabla 1. Se obtienen un total de 1374 artículos (1023 Scopus, 586 Google Scholar). Se remueven
235 artículos repetidos, y 320 artículos marcados como no elegible de manera automatizada.
Tabla 1
Sumario de métodos de búsqueda
Métodos de búsqueda
Descripción
Unidad de analisis
Tipo de analisis
Periodo de analisis
Motores de búsqueda.
Las fuentes incluyen articulos indexados publicados
sobre la inteligencia artificial en la seguridad
informática.
Cualitativo
Desde el año 2019.
Vol. 11/ Núm. 2 2024 pág. 2804
Palabras claves usadas en la
búsqueda
Se utilizaron las siguientes bases de datos para buscar
publicaciones relevantes:
Elsevier (www.sciencedirect.com),
Google Scholar, Scopus www.scopus.com).
1. Seguridad Informática
2. Inteligencia Artificial
3. Machine Learning
4. Aprendizaje automático
5. Algoritmos de IA.
En la fase de cribado (PRISMA Statement, s. f.), mediante los diversos criterios de
exclusión Ei se descartan 819 artículos, y por los criterios y de inclusión Ij, se obtienen un total de
50 artículos elegidos para el análisis, ver Tabla 2.
Tabla 2
Criterios de exclusión
Criterio
Detalle
E1
E2
E3
E4
La públicación pertenece a la categoría de ensayo
La publicación utiliza una metodología no relacionada con la temática.
La publicación aborda el rendimiento de diferentes pruebas o servicios.
La publicación pertenece a la categoría de revisiones
I1
I2
I3
I4
La públicación pertenece a la categoría de ensayo
La publicación utiliza una metodología no relacionada con la temática.
La publicación aborda el rendimiento de diferentes pruebas o servicios.
La publicación pertenece a la categoría de revisiones
Análisis Descriptivo
En este estudio, se puede observar la tendencia de los 50 artículos seleccionados a lo largo
del periodo de estudio, ver Figura 2. Bajo las condiciones Ei e Ij de selección, mayoritariamente
se encuentra que el año 2023 tiene una mayor generación de aportes científicos, sin embargo, muy
cerca el año en curso. En el 2023 los esfuerzos se ven abocados a la detección de Phising por
URLs, Sistemas de Detección de Intrusos, Detección y clasificación de amenazas de nueva
generación, aplicación de modelos de nueva generación, ver Figura 3.
Figura 2
Distribución de artículos en el tiempo
Nota: La gráfica representa 50 artículos que cumplen con las condiciones Ei e Ij para los criterios de la fase de cribado
Vol. 11/ Núm. 2 2024 pág. 2805
Las tendencias para el 2024, se enmarcan en temáticas como: detección DDoS, detección
temprana de Ransomware, detección de botnets, y clasificación de DDoS en sistemas del internet
de las cosas IoT, ver Figura 3.
Figura 3
Tendencias durante el período de estudio
Los principales modelos de detección encontrados durante la exploración de los artículos
seleccionados son: Random Forest, Árboles de decisión, Support Vector Machine, Logistic
Regression, K-means, Neuronal Networks, etc., con sus diversas clasificaciones, ver Figura 4.
Figura 4
Modelos de detección de amenazas en ciberseguridad
La Figura 5, muestra los principales editores de los 50 artículos seleccionados, siendo
mayoritariamente Springer, Elsevier Ltd., IEEE, MDPI, entre otros.
Vol. 11/ Núm. 2 2024 pág. 2806
Figura 5
Principales revistas de la información seleccionada
RESULTADOS
La tabla 3, muestra en resumen la aplicación de diversas técnicas como contramedidas a
las amenazas tratadas en el presente trabajo organizadas por año y clasificadas por los modelos
de detección. La Figura 6 resume las principales técnicas de Machine Learning ML y Deep
Learning DL. El aprendizaje automático (ML) es un campo de las ciencias computacionales de
rápida expansión dentro de la inteligencia artificial. En el ML se desarrollan algoritmos y modelos
estadísticos para el análisis e identificación de patrones (Vaishali & Kumar Tiwari, 2024). El
aprendizaje profundo (DL) parte de las redes neuronales con múltiples capas para modelar
patrones complejos y abstracciones de alto nivel en datos. Tiene a su alcance varios dominios
como el procesamiento del lenguaje natural (PNL), reconocimiento de voz y la visión por
computadora (Varatharajan et al., 2024).
Entre los principales Técnicas de clasificación se mencionan: AdaBoost, Arboles de
decisión, Bosque aleatorio (RF), K-vecinos más cercanos (KNN). Los principales algoritmos de
Regresión tienen a la Regresión Lineal y Regresión Logística, y en cuanto a las Redes Neuronales,
se tienen: Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN) y
Redes Neuronales Profundas (DNN).
El Adaptive Boosting (AdaBoost), es un algoritmo de ML que mejora el rendimiento de
los clasificadores débiles al combinarlos en un clasificador fuerte. AdaBoost mejora
iterativamente la precisión del modelo y se aplica ampliamente en varios dominios (D. Zhang &
Li, 2023).
Vol. 11/ Núm. 2 2024 pág. 2807
Los árboles de clasificación son un tipo de árbol de decisión que utiliza el ML para
categorizar datos en clases predefinidas de acuerdo con sus atributos de entrada. Su uso principal
es la interpretabilidad y capacidad para modelar relaciones complejas, no lineales. Los árboles de
clasificación funcionan dividiendo recursivamente los datos en subconjuntos basados en los
atributos más informativos, los cuales se seleccionan utilizando criterios como pureza o entropía
(Acito, 2023).
Figura 6
Principales técnica de Machine Learning y Deep Learning
El aumento de gradiente optimiza sus modelos de big data, mejorando la precisión y
rendimiento combinando aprendices débiles como árboles de decisión. Utiliza una dinámica de
cambios de peso durante la fase de entrenamiento, para diagnosticar y ajustar y mejorar la
eficiencia (Starodub et al., 2021). BiLSTM-GHA-CNN es un modelo híbrido que combina la
memoria bidireccional a largo plazo (BilsTM), la Red Conversarial Generativa (GAN) y la Red
Neural Convolucional (CNN). BiLSTM-GHA-CNN puede aplicarse a varios dominios con la
finalidad de mejorar la precisión de la predicción mediante la síntesis de datos adicionales a partir
Vol. 11/ Núm. 2 2024 pág. 2808
de datos limitados (Ma et al., 2024). CatBoost utiliza técnicas de aprendizaje de conjuntos y ML
basado en el impulso de gradiente sobre árboles de decisión, se utiliza para el modelado de
variables operacionales, clasificador, o predicción temprana (Harish et al., 2024). Los
clasificadores en IA son algoritmos que clasifican los datos en clases o categorías predefinidas,
ideales para el análisis de texto, reconocimiento facial y predicción de resultados basados en datos
de entrada. Los clasificadores se entrenan mediante el uso de Redes Neuronales Artificiales
(ANN) (Santry, 2023). Las redes neuronales, son una categoría del ML y de la IA, su evolución
ha sido muy significativa (Pires et al., 2024). Las ANN se utilizan cuando se desconoce la relación
entre las variables de entrada y salida, siendo ideales para tareas de clasificación y regresión
("Neural Networks", 2023)(Pires et al., 2024). La arquitectura de las ANN multicapa, permite el
desarrollo de modelos de aprendizaje profundo como redes neuronales profundas (DNN), redes
neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) (Dong et al., 2024).
Random Forest (RF) es un método utilizado para la clasificación, regresión entre otros. RF se
basa en la construcción de una multitud de árboles de decisión sin podar durante el entrenamiento
y genera el modo de las clases (clasificación) o predicción media (regresión) de los árboles
individuales (Alduailij et al., 2022). La regresión logística (LGR) es ampliamente utilizado como
un método estadístico en el modelamiento, donde la variable objetivo tiene dos únicas categorías
posibles. A diferencia de la regresión lineal (LR) ordinaria, la (LGR) está diseñada
específicamente para manejar datos binarios, cuyo resultado es la predicción en forma de
probabilidades (Acito, 2023).
Tabla 3
Resumen de los principales modelos aplicados en las amenazas por año
Año
Amenaza
Uso de la IA
2020
APT
ML
Malware
LSTM y CNN apiladas
Phishing
RF, NPL, CNN
Phishing y
botnet
CNN
Ransomware
DNAact-Ran
Spam Web
CNN, DNN
URL
Maliciosa
ML en big data
2021
IDS
SVM, LR, ML
Phishing
RF
Spam
K-NN, SVM, NB
2022
APT
SVM,
Vol. 11/ Núm. 2 2024 pág. 2809
DDoS
RF, XGBoost, K-NN,
RL
Malware
RF
Phishing
Arboles de
clasificación
Sitios web
maliciosos
NB
Troyanos
Clasificadores
URL
maliciosos
ML y DL
2023
APT
XGBoost
Botnets
GA KNN
Carding
KNN, LDA, y LR
IDS
ML, BN, RF, Decision
table, NN
Keyloggers
RF, LightGBM,
CatBoost
Malware
KNN, SVM, RF, MLP,
ET, GNB
Phishing
RNA, SVM, DT, RF,
CNN, VAE, DNN,
GBC, RF, NN, NB,
Adaboost, KNN, SVM,
XGBoost, Decision
Tree, RL
Ransomware
CNN, OGCNN-RWD
2024
Ataques
remotos
ML
Botnets
CNN, ML, DL
DDoS
E-SDNN
Detección de
amenazas
RF
IDS
Neighbors, XGBoost y
AdaBoos
Vol. 11/ Núm. 2 2024 pág. 2810
Malware
RNC, RF, AdaBoost,
XGBoost
Phishing
RN, RNC, Plazo
(BiLSTM-GHA-CNN
Ransomware
RF, DT, XGBoost
URL
maliciosa
ML, XGBoost, KNN,
SVM, Decision Tree,
RF NB, RL
CONCLUSIONES
El seguimiento del modelo PRISMA aporta a este trabajo los insumos que garantizan la
rigurosidad científica y aportan las bases principales para el estudio. Mediante la revisión y
análisis de los trabajos científicos, se da respuesta a la pregunta de investigación planteada. Los
resultados obtenidos, garantizan la rigurosidad científica, puesto que se determina como es
aplicada la IA en la mejora continua de la detección y respuesta a diferentes vectores de
ciberataques, así como los beneficios y desafíos de los estudios realizados recientemente. Las
técnicas descritas se basan en algoritmos de Clasificación, Regresión y Redes Neuronales de
Machine Learning y Deep Learning o una combinación novedosa de ellos. La IA se encuentra en
constante desarrollo, lo que implica que, existe mucho aún por hacer para desarrollar
contramedidas que ayuden a mitigar el cibercrimen. Uno de los factores importantes del éxito de
los ciberataques radica en el factor humano, por lo tanto, muchos esfuerzos son encaminados en
crear una cultura de ciberseguridad en los usuarios. Se han realizado varios estudios para la
detección en tiempo real de intrusiones no deseadas a los sistemas de información. Existen
esfuerzos realizados por los proveedores de navegadores web y servidores de correo electrónico,
por detener la propagación de intentos fraudulentos para obtener información crítica.
La IA también es utilizada con la intención de encubrir o esquivar los mecanismos de
detección de anomalías, e intentos de intrusión a entornos privados. Se utilizan nuevos elementos
computacionales para crear amenazas sofisticadas, polimórficas, metamórficas u oligomórficas
que se convierten en un verdadero desafío para su detección y respuesta en tiempo real.
Vol. 11/ Núm. 2 2024 pág. 2811
REFERENCIAS
Abdulkareem, A., Somefun, T. E., Mutalub, A. L., & Adeyinka, A. (2024). Experimental analysis
of intrusion detection systems using machine learning algorithms and artificial neural
networks. International Journal of Electrical and Computer Engineering, 14(1), 983-
992. Scopus. https://doi.org/10.11591/ijece.v14i1.pp983-992
Acito, F. (2023). Classification and Regression Trees. En F. Acito (Ed.), Predictive Analytics with
KNIME: Analytics for Citizen Data Scientists (pp. 169-191). Springer Nature
Switzerland. https://doi.org/10.1007/978-3-031-45630-5_8
Ahmed, S., Syed, R., Kamal, R., & ... (2022). Corporate information security policies targeting
ransomw are attack. 2022 Mohammad Ali ….
https://ieeexplore.ieee.org/abstract/document/9994155/
Ajhari, A. A., Priambodo, D. F., Paradisa, R. H., & Yulianti, H. (2023). PROCTOR: A Robust
URL Protection System Against Fraudulent, Phishing, and Scam Activities. International
Journal of Computing and Digital Systems, 14(1), 1013-1021. Scopus.
https://doi.org/10.12785/IJCDS/140179
Al-Alyan, A., & Al-Ahmadi, S. (2020). Robust URL phishing detection based on deep learning.
KSII Transactions on Internet and Information Systems, 14(7), 2752-2768. Scopus.
https://doi.org/10.3837/tiis.2020.07.001
Alduailij, M., Khan, Q. W., Tahir, M., Sardaraz, M., Alduailij, M., & Malik, F. (2022). Machine-
Learning-Based DDoS Attack Detection Using Mutual Information and Random Forest
Feature Importance Method. Symmetry, 14(6). Scopus.
https://doi.org/10.3390/sym14061095
Alhashmi, A. A., Darem, A. A., Alshammari, A. B., Darem, L. A., Sheatah, H. K., & Effghi, R.
(2024). Ransomware Early Detection Techniques. Engineering, Technology and Applied
Science Research, 14(3), 14497-14503. Scopus. https://doi.org/10.48084/etasr.6915
Alhayali, R. A. I., Aljanabi, M., Ali, A. H., Mohammed, M. A., & Sutikno, T. (2021). Optimized
machine learning algorithm for intrusion detection. Indonesian Journal of Electrical
Engineering and Computer Science, 24(1), 590-599. Scopus.
https://doi.org/10.11591/ijeecs.v24.i1.pp590-599
Ali, B. S., Ullah, I., Al Shloul, T., Khan, I. A., Khan, I., Ghadi, Y. Y., Abdusalomov, A., Nasimov,
R., Ouahada, K., & Hamam, H. (2024). ICS-IDS: application of big data analysis in AI-
based intrusion detection systems to identify cyberattacks in ICS networks. Journal of
Supercomputing, 80(6), 7876-7905. Scopus. https://doi.org/10.1007/s11227-023-05764-
5
Vol. 11/ Núm. 2 2024 pág. 2812
Aljabri, M., Alhaidari, F., Albuainain, A., Alrashidi, S., Alansari, J., Alqahtani, W., & Alshaya,
J. (2024). Ransomware detection based on machine learning using memory features.
Egyptian Informatics Journal, 25. Scopus. https://doi.org/10.1016/j.eij.2024.100445
Aljabri, M., Alhaidari, F., Mohammad, R. M. A., Alhamed, D. H., Altamimi, H. S., & Chrouf, S.
M. B. (2022). An Assessment of Lexical, Network, and Content-Based Features for
Detecting Malicious URLs Using Machine Learning and Deep Learning Models.
Computational Intelligence and Neuroscience, 2022. Scopus.
https://doi.org/10.1155/2022/3241216
Aljahdalic, A. O., Banafee, S., & Aljohani, T. (2024). URL filtering using machine learning
algorithms. Information Security Journal, 33(3), 193-203. Scopus.
https://doi.org/10.1080/19393555.2023.2193350
Aljammal, A. H., taamneh, S., Qawasmeh, A., & Salameh, H. B. (2023). Machine Learning Based
Phishing Attacks Detection Using Multiple Datasets. International Journal of Interactive
Mobile Technologies, 17(5), 71-83. Scopus. https://doi.org/10.3991/ijim.v17i05.37575
Alnemari, S., & Alshammari, M. (2023). Detecting Phishing Domains Using Machine Learning.
Applied Sciences (Switzerland), 13(8). Scopus. https://doi.org/10.3390/app13084649
Alomari, M., Alsadah, S., Aldahmash, N., Alghulaygah, H., Alogaiel, R., & Saqib, N. A. (2024).
A Comprehensive Review of Distributed Denial-of-Service (DDoS) Attacks: Techniques
and Mitigation Strategies. 2024 Seventh International Women in Data Science
Conference at Prince Sultan University (WiDS PSU), 215-222.
https://doi.org/10.1109/WiDS-PSU61003.2024.00051
Alsaidi, R. A. M., Yafooz, W. M. S., Alolofi, H., Taufiq-Hail, G. A.-M., Emara, A.-H. M., &
Abdel-Wahab, A. (2022). Ransomware Detection using Machine and Deep Learning
Approaches. International Journal of Advanced Computer Science and Applications,
13(11), 112-119. Scopus. https://doi.org/10.14569/IJACSA.2022.0131112
Alsanad, A., & Altuwaijri, S. (2022). Advanced Persistent Threat Attack Detection using
Clustering Algorithms. International Journal of Advanced Computer Science and
Applications, 13(9), 640-649. Scopus. https://doi.org/10.14569/IJACSA.2022.0130976
Alsubaie, M. S., Atawneh, S. H., & Abual-Rub, M. S. (2023). Building Machine Learning Model
with Hybrid Feature Selection Technique for Keylogger Detection. International Journal
of Advances in Soft Computing and Its Applications, 15(2), 32-53. Scopus.
https://doi.org/10.15849/IJASCA.230720.03
Ayo, F. E., Awotunde, J. B., Folorunso, S. O., Adigun, M. O., & Ajagbe, S. A. (2023). A genomic
rule-based KNN model for fast flux botnet detection. Egyptian Informatics Journal,
24(2), 313-325. Scopus. https://doi.org/10.1016/j.eij.2023.05.002
Benmohamed, E., Thaljaoui, A., Elkhediri, S., Aladhadh, S., & Alohali, M. (2024). E-SDNN:
encoder-stacked deep neural networks for DDOS attack detection. Neural Computing and
Vol. 11/ Núm. 2 2024 pág. 2813
Applications, 36(18), 10431-10443. Scopus. https://doi.org/10.1007/s00521-024-09622-
0
Bertino, E., Bhardwaj, S., Cicala, F., Gong, S., Karim, I., Katsis, C., Lee, H., Li, A. S., &
Mahgoub, A. Y. (2023). Detection. En E. Bertino, S. Bhardwaj, F. Cicala, S. Gong, I.
Karim, C. Katsis, H. Lee, A. S. Li, & A. Y. Mahgoub (Eds.), Machine Learning
Techniques for Cybersecurity (pp. 79-104). Springer International Publishing.
https://doi.org/10.1007/978-3-031-28259-1_6
Bezerra, A., Pereira, I., Rebelo, M. Â., Coelho, D., Oliveira, D. A. D., Costa, J. F. P., & Cruz, R.
P. M. (2024). A case study on phishing detection with a machine learning net.
International Journal of Data Science and Analytics. Scopus.
https://doi.org/10.1007/s41060-024-00579-w
Bhardwaj, A. (2023). Sophisticated-Sinister-Stealth Attacks (sophisticated-sinister-stealth-
attacks) [Chapter].
Https://Services.Igi-Global.Com/Resolvedoi/Resolve.Aspx?Doi=10.4018/979-8-3693-
1528-6.Ch002; IGI Global. https://doi.org/10.4018/979-8-3693-1528-6.ch002
Bokhari, S. A. A., & Myeong, S. (2023). The Influence of Artificial Intelligence on E-Governance
and Cybersecurity in Smart Cities: A Stakeholder’s Perspective. IEEE Access, 11, 69783-
69797. Scopus. https://doi.org/10.1109/ACCESS.2023.3293480
Chang, V., Boddu, S., Xu, Q. A., & Doan, L. M. T. (2023). Intrusion detection and prevention
with machine learning algorithms. International Journal of Grid and Utility Computing,
14(6), 617-631. Scopus. https://doi.org/10.1504/IJGUC.2023.135306
Chaowen, C. (2024). Research on computer network security situation awareness warning
mechanism based on artificial intelligence. 2024 IEEE 4th International Conference on
Electronic Technology, Communication and Information (ICETCI), 748-753.
https://doi.org/10.1109/ICETCI61221.2024.10594283
Choudhary, T., Mhapankar, S., Bhddha, R., Kharuk, A., & Patil, R. (2023). A Machine Learning
Approach for Phishing Attack Detection. Journal of Artificial Intelligence and
Technology, 3(3), 108-113. Scopus. https://doi.org/10.37965/jait.2023.0197
Christopher, L. U., & Ayorinde, I. T. (2024). Malware Detection Using Hidden Markov Model.
Advances in Multidisciplinary & Scientific Research Journal Publications, 12(2), 37-46.
https://doi.org/10.22624/AIMS/DIGITAL/V11N2P4
Chung, J., & Lee, K. (2023). Credit Card Fraud Detection: An Improved Strategy for High Recall
Using KNN, LDA, and Linear Regression. Sensors, 23(18). Scopus.
https://doi.org/10.3390/s23187788
Cui, B., He, S., Shi, P., & Yao, X. (2018). Malicious URL detection with feature extraction based
on machine learning. International Journal of High Performance Computing and
Networking, 12(2), 166-178. Scopus. https://doi.org/10.1504/ijhpcn.2018.094367
Vol. 11/ Núm. 2 2024 pág. 2814
Dau, D.-D., Lee, S., & Kim, H. (2024). A comprehensive comparison study of ML models for
multistage APT detection: Focus on data preprocessing and resampling. Journal of
Supercomputing, 80(10), 14143-14179. Scopus. https://doi.org/10.1007/s11227-024-
06010-2
De La Torre Parra, G., Rad, P., Choo, K.-K. R., & Beebe, N. (2020). Detecting Internet of Things
attacks using distributed deep learning. Journal of Network and Computer Applications,
163. Scopus. https://doi.org/10.1016/j.jnca.2020.102662
Dhananjay Tangtode, Shayan Sayyad, Omkar Gelye, Sarthak Sawant, & Prof. Girisha Bombale.
(2024). DDOS Attack Detection. International Journal of Advanced Research in Science,
Communication and Technology, 248-251. https://doi.org/10.48175/IJARSCT-15547
Dong, Q., Chen, X., & Huang, B. (2024). Chapter 11—Neural networks. En Q. Dong, X. Chen,
& B. Huang (Eds.), Data Analysis in Pavement Engineering (pp. 223-245). Elsevier.
https://doi.org/10.1016/B978-0-443-15928-2.00009-4
Gutierrez, R., Villegas-Ch, W., Godoy, L. N., Mera-Navarrete, A., & Lujan-Mora, S. (2024).
Application of Deep Learning Models for Real-Time Automatic Malware Detection.
IEEE Access, 12, 107742-107756. Scopus.
https://doi.org/10.1109/ACCESS.2024.3436588
Haddaway, N. R., Page, M. J., Pritchard, C. C., & McGuinness, L. A. (2022). PRISMA2020: An
R package and Shiny app for producing PRISMA 2020-compliant flow diagrams, with
interactivity for optimised digital transparency and Open Synthesis. Campbell Systematic
Reviews, 18(2), e1230. https://doi.org/10.1002/cl2.1230
Hammad, M., Hewahi, N., & Elmedany, W. (2021). T-SNERF: A novel high accuracy machine
learning approach for Intrusion Detection Systems. IET Information Security, 15(2), 178-
190. Scopus. https://doi.org/10.1049/ise2.12020
Harish, M., Kumar, V., Rajasekarnan, p, & Poovizhi, P. (2024, diciembre 10). Analysis on Early
Prediction of Cotton Plant Leaf Diseases Using CatBoost Algorithm | IEEE Conference
Publication | IEEE Xplore. https://ieeexplore.ieee.org/document/10624844
Hasan, M. M., Islam, M. U., & Uddin, J. (2023). Advanced Persistent Threat Identification with
Boosting and Explainable AI. SN Computer Science, 4(3). Scopus.
https://doi.org/10.1007/s42979-023-01744-x
Hyslip, T. S., & Burruss, G. W. (2023). Ransomware. En Handbook on Crime and Technology
(pp. 86-104). Edward Elgar Publishing.
https://www.elgaronline.com/edcollchap/book/9781800886643/book-part-
9781800886643-13.xml
Jha, A. K., Muthalagu, R., & Pawar, P. M. (2023). Intelligent phishing website detection using
machine learning. Multimedia Tools and Applications, 82(19), 29431-29456. Scopus.
https://doi.org/10.1007/s11042-023-14731-4
Vol. 11/ Núm. 2 2024 pág. 2815
Kabla, A. H. H., Thamrin, A. H., Anbar, M., Manickam, S., & Karuppayah, S. (2024). Peer-to-
peer botnets: Exploring behavioural characteristics and machine/deep learning-based
detection. Eurasip Journal on Information Security, 2024(1). Scopus.
https://doi.org/10.1186/s13635-024-00169-0
Kanaker, H., Karim, N. A., Awwad, S. A. B., Ismail, N. H. A., Zraqou, J., & Al ali, A. M. F.
(2022). Trojan Horse Infection Detection in Cloud Based Environment Using Machine
Learning. International Journal of Interactive Mobile Technologies, 16(24), 81-106.
Scopus. https://doi.org/10.3991/ijim.v16i24.35763
Khalid Alkahtani, H., Mahmood, K., Khalid, M., Othman, M., Al Duhayyim, M., Osman, A. E.,
Alneil, A. A., & Zamani, A. S. (2023). Optimal Graph Convolutional Neural Network-
Based Ransomware Detection for Cybersecurity in IoT Environment. Applied Sciences
(Switzerland), 13(8). Scopus. https://doi.org/10.3390/app13085167
Khan, F., Ncube, C., Ramasamy, L. K., Kadry, S., & Nam, Y. (2020). A Digital DNA Sequencing
Engine for Ransomware Detection Using Machine Learning. IEEE Access, 8, 119710-
119719. Scopus. https://doi.org/10.1109/ACCESS.2020.3003785
Kumar, J., Rajendran, B., & Sudarsan, S. D. (2024). Zero-Day Malware Classification and
Detection Using Machine Learning. SN Computer Science, 5(1). Scopus.
https://doi.org/10.1007/s42979-023-02404-w
Kumar, S., & Panda, K. (2023). SDIF-CNN: Stacking deep image features using fine-tuned
convolution neural network models for real-world malware detection and classification.
Applied Soft Computing, 146. Scopus. https://doi.org/10.1016/j.asoc.2023.110676
Li, X., Zhang, D., & Wu, B. (2020). Detection method of phishing email based on persuasion
principle. 2020 IEEE 4th Information Technology, Networking, Electronic and
Automation Control Conference (ITNEC), 1, 571-574.
https://doi.org/10.1109/ITNEC48623.2020.9084766
Liu, D., & Lee, J.-H. (2020). Cnn based malicious website detection by invalidating multiple web
spams. IEEE Access, 8, 97258-97266. Scopus.
https://doi.org/10.1109/ACCESS.2020.2995157
Ma, Z., Sun, Y., Ji, H., Li, S., Nie, S., & Yin, F. (2024). A CNN-BiLSTM-Attention approach for
EHA degradation prediction based on time-series generative adversarial network.
Mechanical Systems and Signal Processing, 215, 111443.
https://doi.org/10.1016/j.ymssp.2024.111443
Mambetov, S., Begimbayeva, Y., Gurko, O., Doroshenko, H., Joldasbayev, S., Fridman, O.,
Kulambayev, B., Babenko, V., Ilhe, I., & Neronov, S. (2024). DETECTION AND
CLASSIFICATION OF THREATS AND VULNERABILITIES ON HACKER
FORUMS BASED ON MACHINE LEARNING. Eastern-European Journal of
Vol. 11/ Núm. 2 2024 pág. 2816
Enterprise Technologies, 3(9(129)), 16-27. Scopus. https://doi.org/10.15587/1729-
4061.2024.306522
Mohanty, R., & Bala Das, S. (2018). A Proposed What-Why-How (WWH) Learning Model for
Students and Strengthening Learning Skills Through Computational Thinking. En P. K.
Sa, M. N. Sahoo, M. Murugappan, Y. Wu, & B. Majhi (Eds.), Progress in Intelligent
Computing Techniques: Theory, Practice, and Applications (pp. 135-141). Springer.
https://doi.org/10.1007/978-981-10-3376-6_15
Mohebzada, J. G., Zarka, A. E., Bhojani, A. H., & Darwish, A. (2012). Phishing in a university
community: Two large scale phishing experiments. 2012 International Conference on
Innovations in Information Technology (IIT), 249-254.
https://doi.org/10.1109/INNOVATIONS.2012.6207742
Mosa, D. T., Shams, M. Y., Abohany, A. A., El-Kenawy, E.-S. M., & Thabet, M. (2023). Machine
Learning Techniques for Detecting Phishing URL Attacks. Computers, Materials and
Continua, 75(1), 1271-1290. Scopus. https://doi.org/10.32604/cmc.2023.036422
Munjal, G., Paul, B., & Kumar, M. (2024). Application of Artificial Intelligence in Cybersecurity:
En P. K. Goel, H. M. Pandey, A. Singhal, & S. Agarwal (Eds.), Advances in Information
Security, Privacy, and Ethics (pp. 127-146). IGI Global. https://doi.org/10.4018/979-8-
3693-1431-9.ch006
Nagy, N., Aljabri, M., Shaahid, A., Ahmed, A. A., Alnasser, F., Almakramy, L., Alhadab, M., &
Alfaddagh, S. (2023). Phishing URLs Detection Using Sequential and Parallel ML
Techniques: Comparative Analysis. Sensors, 23(7). Scopus.
https://doi.org/10.3390/s23073467
Namavar Jahromi, A., Hashemi, S., Dehghantanha, A., Choo, K.-K. R., Karimipour, H., Newton,
D. E., & Parizi, R. M. (2020). An improved two-hidden-layer extreme learning machine
for malware hunting. Computers and Security, 89. Scopus.
https://doi.org/10.1016/j.cose.2019.101655
Nanda, M., & Goel, S. (2024). URL based phishing attack detection using BiLSTM-gated
highway attention block convolutional neural network. Multimedia Tools and
Applications, 83(27), 69345-69375. Scopus. https://doi.org/10.1007/s11042-023-17993-
0
Pandey, M. K., Singh, M. K., Pal, S., & Tiwari, B. B. (2023). Prediction of phishing websites
using machine learning. Spatial Information Research, 31(2), 157-166. Scopus.
https://doi.org/10.1007/s41324-022-00489-8
Piñeiro, J. J. M. L., & Wong Portillo, L. R. (2022). Web architecture for URL-based phishing
detection based on Random Forest, Classification Trees, and Support Vector Machine.
Inteligencia Artificial, 25(69), 107-121. Scopus.
https://doi.org/10.4114/intartif.vol25iss69pp107-121
Vol. 11/ Núm. 2 2024 pág. 2817
Pires, P. B., Santos, J. D., Pereira, I. V., Pires, P. B., Santos, J. D., & Pereira, I. V. (2024). Artificial
Neural Networks: History and State of the Art (artificial-neural-networks) [Chapter].
Https://Services.Igi-Global.Com/Resolvedoi/Resolve.Aspx?Doi=10.4018/978-1-6684-
7366-5.Ch037; IGI Global. https://doi.org/10.4018/978-1-6684-7366-5.ch037
Prabakaran, M. K., Meenakshi Sundaram, P., & Chandrasekar, A. D. (2023). An enhanced deep
learning-based phishing detection mechanism to effectively identify malicious URLs
using variational autoencoders. IET Information Security, 17(3), 423-440. Scopus.
https://doi.org/10.1049/ise2.12106
PRISMA statement. (s. f.). PRISMA Statement. https://www.prisma-statement.org
Rao, S. C. (2023). An Introduction to Systematic Reviews and Meta-Analyses. APIK Journal of
Internal Medicine, 11(3), 141. https://doi.org/10.4103/ajim.ajim_36_23
Rao-Kadari, S., Radhika, G., M. Shekar, Shankar, R., & Madhu, C. (2024). A Study on the Key
Applications of Malware. International Journal of Advanced Research in Science,
Communication and Technology, 481-485. https://doi.org/10.48175/IJARSCT-19359
Rapacz, S., Chołda, P., & Natkaniec, M. (2021). A method for fast selection of machine-learning
classifiers for spam filtering. Electronics (Switzerland), 10(17). Scopus.
https://doi.org/10.3390/electronics10172083
Reza, F. (2024). DDoS-Net: Classifying DDoS Attacks in Wireless Sensor Networks with Hybrid
Deep Learning. 2024 6th International Conference on Electrical Engineering and
Information & Communication Technology (ICEEICT), 487-492.
https://doi.org/10.1109/ICEEICT62016.2024.10534545
Ribeiro, L. Q., Guedes, I., Cardoso, C., Ribeiro, L. Q., Guedes, I., & Cardoso, C. (2023).
Phishing: A Theoretical Approach and the Innovative Tools (phishing) [Chapter].
Https://Services.Igi-Global.Com/Resolvedoi/Resolve.Aspx?Doi=10.4018/978-1-6684-
8422-7.Ch005; IGI Global. https://doi.org/10.4018/978-1-6684-8422-7.ch005
Rico-González, M., Pino-Ortega, J., Clemente, F., & Arcos, A. L. (2021). Guidelines for
performing systematic reviews in sports science. Biology of Sport, 39(2), 463-471.
https://doi.org/10.5114/biolsport.2022.106386
Sahingoz, O. K., Buber, E., Demir, O., & Diri, B. (2019). Machine learning based phishing
detection from URLs. Expert Systems with Applications, 117, 345-357. Scopus.
https://doi.org/10.1016/j.eswa.2018.09.029
Santry, D. (2023, diciembre 1). Training Classifiers—Demystifying Deep Learning—Wiley
Online Library. https://onlinelibrary.wiley.com/doi/10.1002/9781394205639.ch4
Selvam, S., & Maheswari Balasubramanian, U. (2024). UASDAC: An Unsupervised Adaptive
Scalable DDoS Attack Classification in Large-Scale IoT Network Under Concept Drift.
IEEE Access, 12, 64701-64716. Scopus. https://doi.org/10.1109/ACCESS.2024.3397512
Vol. 11/ Núm. 2 2024 pág. 2818
Sharko, A. D., Sharko, G., & Qose, S. (2024). Artificial Intelligence In Cybersecurity
Applications. 2024 IEEE 28th International Conference on Intelligent Engineering
Systems (INES), 000175-000180. https://doi.org/10.1109/INES63318.2024.10629129
Singh, A. P., & Singh, M. (2022). Classification of Malware in HTTPs Traffic Using Machine
Learning Approach. El-Cezeri Journal of Science and Engineering, 9(2), 644-655.
Scopus. https://doi.org/10.31202/ecjse.990318
Singh, A., Prakash, J., Kumar, G., Jain, P. K., & Ambati, L. S. (2024a). Intrusion Detection
System: A Comparative Study of Machine Learning-Based IDS. Journal of Database
Management (JDM), 35(1), 1-25. https://doi.org/10.4018/JDM.338276
Singh, A., Prakash, J., Kumar, G., Jain, P. K., & Ambati, L. S. (2024b). Intrusion Detection
System: A Comparative Study of Machine Learning-Based IDS. Journal of Database
Management, 35(1). Scopus. https://doi.org/10.4018/JDM.338276
Starodub, A., Eliseeva, N., & Georgiev, M. (2021). Gradient-Based Algorithm for Tracking the
Activity of Neural Network Weights Changing. EPJ Web of Conferences, 248, 01012.
https://doi.org/10.1051/epjconf/202124801012
Supriyanto, C., Rafrastara, F. A., Amiral, A., Amalia, S. R., Fahreza, M. D. A., & Abdollah, M.
F. (2024). Malware Detection Using K-Nearest Neighbor Algorithm and Feature
Selection. JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), Article 1.
https://doi.org/10.30865/mib.v8i1.6970
Tairov, I. (2024). Artificial Intelligence Applications for Confronting Cybersecurity Issues.
Research Papers, 64(3), 121-132. https://doi.org/10.37075/RP.2024.3.08
Thakur, S., Chaudhari, S., & Joshi, B. (2022). Ransomware: Threats, Identification and
Prevention. En Cyber Security and Digital Forensics (pp. 361-387). John Wiley & Sons,
Ltd. https://doi.org/10.1002/9781119795667.ch16
Tilmar Jakobsern, A. (2024). Malware Analysis. En Practical Cyber Intelligence (pp. 167-175).
John Wiley & Sons, Ltd. https://doi.org/10.1002/9781394256129.ch12
Vaishali, J., & Kumar Tiwari, S. (2024). OVERVIEW: MACHINE LEARNING. En
OVERVIEW: MACHINE LEARNING. IIP Series. https://iipseries.org/
Varatharajan, N., Lavanya, S., Suganya, A., & Vikkram, R. (2024). Deep Learning: Overview,
Applications and Computing Devices. En Deep Learning Concepts in Operations
Research. Auerbach Publications.
Xuan, C. D., Duong, L. V., & Tisenko, V. N. (2020). Detecting C&C server in the APT attack
based on network traffic using machine learning. International Journal of Advanced
Computer Science and Applications, 11(5), 22-27. Scopus.
https://doi.org/10.14569/IJACSA.2020.0110504
Vol. 11/ Núm. 2 2024 pág. 2819
Xue, Y., Onzo, B., & Neri, F. (2021). Intrusion Detection System Based on an Updated ANN
Model. En Y. Tan & Y. Shi (Eds.), Advances in Swarm Intelligence (pp. 472-479).
Springer International Publishing. https://doi.org/10.1007/978-3-030-78811-7_44
Yang, S., Chen, Z., Xu, Y., & Liu, J. (2024). Research on Malicious Web Page Identification
Method Based on Deep Learning and Feature Fusion. Journal of Cyber Security, 9(3),
176-190. Scopus. https://doi.org/10.19363/J.cnki.cn10-1380/tn.2024.05.12
Yunoose, A., Varghese, Y., R, A., Prakash, A., & Babu, D. (2022). International Journal of
Engineering Technology and Management Sciences. International Journal of
Engineering Technology and Management Sciences, 5(6), 574-579.
https://doi.org/DOI:10.46647/ijetms.2022.v06i05.092
Yusuff, H. (2023). Systematic review and meta-analysis. Journal of Global Medicine, 3(S1),
Article S1. https://doi.org/10.51496/jogm.v3.S1.133
Zaimi, R., Hafidi, M., & Lamia, M. (2023). A deep learning approach to detect phishing websites
using CNN for privacy protection. Intelligent Decision Technologies, 17(3), 713-728.
Scopus. https://doi.org/10.3233/IDT-220307
Zhang, D., & Li, H. (2023). Application of Adaboost Algorithm in Enterprise Financial Risk
Analysis Model. 2023 International Conference on Ambient Intelligence, Knowledge
Informatics and Industrial Electronics (AIKIIE), 1-5.
https://doi.org/10.1109/AIKIIE60097.2023.10389905
Zhang, J., Zheng, J., Zhang, Z., Chen, T., Tan, Y.-A., Zhang, Q., & Li, Y. (2024). ATT&CK-
based Advanced Persistent Threat attacks risk propagation assessment model for zero
trust networks. Computer Networks, 245. Scopus.
https://doi.org/10.1016/j.comnet.2024.110376
Zhou, Y., & Liang, Y. (2024). Application of artificial intelligence technology in network
security. Highlights in Science, Engineering and Technology, 92, 479-485.
https://doi.org/10.54097/1mrvaw84