Detección de Ataques DoS con Machine Learning

Este proyecto implementa un modelo de Machine Learning para detectar ataques de denegación de servicio (DoS) a partir de un conjunto de datos sintético de 10.000 registros.

Se genera un dataset con características de tráfico de red y luego se entrena un clasificador utilizando SVM (Support Vector Machine) para distinguir entre tráfico normal y ataques.

---

Video de explicación

Puedes ver una explicación detallada del proyecto en el siguiente video:

Ver video en YouTube

---

Archivos del proyecto

• crearDataSet.py Genera el dataset sintético y lo guarda en dataset_dos.csv.

• detectarAtaqueDOS.py Carga el dataset, entrena el modelo SVM, evalúa su rendimiento y muestra las métricas.

• dataset_dos.csv Dataset generado automáticamente.

• modelo_svm_dos.pkl Modelo entrenado exportado.

---

Requisitos

Instalar Python 3 y las siguientes librerías:

pip install pandas numpy matplotlib seaborn scikit-learn joblib

---

Ejecución

1. Generar el dataset

python3 crearDataSet.py

Esto creará el archivo:

dataset_dos.csv

2. Entrenar y evaluar el modelo

python3 detectarAtaqueDOS.py

El programa mostrará:

• Vista previa del dataset
• Distribución de clases
• Mapa de correlaciones
• Matriz de confusión
• Precision
• Recall
• F1-score
• Accuracy

Además, se guardará el modelo entrenado en:

modelo_svm_dos.pkl

---

Dataset

El dataset contiene las siguientes variables:

Variable	Descripción
duracion	Duración de la conexión
bytes_enviados	Cantidad de bytes enviados
bytes_recibidos	Cantidad de bytes recibidos
paquetes	Cantidad de paquetes transmitidos
es_ataque_dos	Etiqueta: 0 = normal, 1 = ataque DoS

El dataset contiene:

• 70% tráfico normal
• 30% ataques DoS

---

Algoritmo utilizado

Se utilizó un clasificador SVM con kernel RBF:

SVC(kernel="rbf", C=1.0, gamma="scale", random_state=42)

Este algoritmo permite separar registros normales y ataques a partir de las características del tráfico.

---

Resultados obtenidos

Ejemplo de salida:

Matriz de confusión:
[[2103    3]
 [  10  884]]

Precisión global del modelo: 1.00

Esto significa que el modelo clasificó correctamente casi todos los registros, detectando la mayoría de los ataques DoS con muy pocos errores.

---

Métricas

• Precision: qué tan confiable es el modelo cuando predice un ataque.
• Recall: qué porcentaje de los ataques reales logra detectar.
• F1-score: balance entre precision y recall.
• Accuracy: porcentaje total de aciertos.