Aplicación Web para la Detección de Intrusiones en Redes mediante Machine Learning

Abstract

Este trabajo presenta NetRadar, una aplicación web para la detección y clasificación de intrusiones en red mediante aprendizaje automático. Sobre el conjunto de datos NSL-KDD se entrenan y comparan cuatro modelos que asignan cada conexión a una de cinco familias (Normal, DoS, Probe, R2L y U2R). La evaluación sigue el protocolo independiente KDDTrain+/KDDTest+, que mide la capacidad de generalizar ante ataques no vistos. XGBoost obtuvo el mejor resultado, con un 76,7% de precisión global y un 59,7% de F1-macro: detecta con fiabilidad los ataques de mayor volumen, mientras que las intrusiones más sigilosas siguen siendo el reto principal.

This work presents NetRadar, a web application for detecting and classifying network intrusions through machine learning. Using the NSL-KDD dataset, four models are trained and compared to assign each connection to one of five families (Normal, DoS, Probe, R2L and U2R). Evaluation follows the independent KDDTrain+/KDDTest+ protocol, which measures the ability to generalise to unseen attacks. XGBoost achieved the best result, with 76.7% overall accuracy and 59.7% macro F1-score: it detects high-volume attacks, while stealthier intrusions remain the main challenge.