Modelo de detección inteligente de ataques cibernéticos en sistemas de distribución de agua SCADA usando Machine Learning

Abstract

Se desarrolló un modelo de aprendizaje no supervisado para la detección de ataques ciberfísicos en sistemas de control, supervisión y adquisición de datos (SCADA), con el propósito de fortalecer la seguridad de infraestructuras críticas frente a amenazas cibernéticas. La propuesta se basó en el empleo de codificadores automáticos (Autoencoders), aprovechando su capacidad para aprender representaciones de los datos y realizar reducción de dimensionalidad. Con el fin de mejorar el rendimiento del modelo, se incorporaron cuatro restricciones de aseguramiento: pesos vinculados, pesos ortogonales, características no correlacionadas y norma unitaria. La validación se realizó utilizando el conjunto de datos C-Town, mientras que la evaluación del desempeño se efectuó mediante métricas ampliamente utilizadas en investigaciones sobre detección de intrusiones y anomalías. Los resultados evidenciaron un desempeño superior del modelo propuesto respecto al modelo base, alcanzando una puntuación de tiempo hasta la detección de un ataque (STTD) de 0,947 y una precisión (Accuracy) del 96 %, superando los valores reportados en estudios similares identificados en la literatura especializada. Se concluye que la incorporación de restricciones de aseguramiento en codificadores automáticos mejora la capacidad de detección de ataques ciberfísicos en sistemas SCADA, constituyendo una alternativa eficaz para incrementar la ciberseguridad de infraestructuras críticas.