La inteligencia artificial en la seguridad informática: Una revisión literaria
DOI:
https://doi.org/10.69639/arandu.v11i2.468Palabras clave:
inteligencia artificial, ciberseguridad, aprendizaje automáticoResumen
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.
Descargas
Citas
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
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 Applications, 36(18), 10431-10443. Scopus. https://doi.org/10.1007/s00521-024-09622-0
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Bernabe Ortega Tenezaca, Lady Rodriguez Carmona, Edgar Macías Farias , Janick Rodrigo Cevallos Illicachi
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
