Una aplicación del algoritmo proactive Forest para la detección de bots malignos

Daniel  Pardo Echevarría; Nayma  Cepero Pérez; Humberto Díaz Pando

Autores/as

Daniel Pardo Echevarría Universidad Tecnológica de la Habana "José Antonio Echeverría"
Nayma Cepero Pérez Universidad Tecnológica de la Habana "José Antonio Echeverría"
Humberto Díaz Pando Universidad Tecnológica de la Habana "José Antonio Echeverría"

Palabras clave:

º, Detección de bots, clasificación;, bosque de decisión, árbol de decisión clasificación

Resumen

Los bots malignos son programas informáticos que tienen la particularidad de simular la actividad humana, empleándose para ejecutar ataques cibernéticos. Estos programas resultan un problema que afecta a muchos servicios webs. Por eso se han desarrollado múltiples aproximaciones para detectarlos, con gran repercusión en la aplicación de algoritmos de aprendizaje automático, sobre todo los que generan modelos clasificadores a partir del aprendizaje supervisado. En este trabajo nos proponemos aplicar el algoritmo Proactive Forest (PF) en la detección de bots malignos, evaluando su rendimiento en base al porcentaje de instancias correctamente clasificadas como bot maligno o usuario humano y realizando adicionalmente una comparación con el algoritmo Random Forest (RF), pues también genera un bosque de decisión implementado en un artículo del estado del arte, para la detección de bots malignos. Los resultados permiten apreciar un máximo del rendimiento del algoritmo Proactive Forest, del 63,14 % de instancias correctamente clasificadas.

Citas

Cepero-Pérez, N., Denis-Miranda, L. A., Hernández-Palacio, R., Moreno-Espino, M., y García-Borroto, M. (2018). Proactive Forest for Supervised Classification. International Workshop on Artificial Intelligence and Pattern Recognition, pp. 255–262.

Dahan, H., Cohen, S., Rokach, L., y Maimon, O. (2014). Proactive Data Mining with Decision Trees. Proactive Data Mining with Decision Trees, pp. 21-33.

Doran, D. (2011). Web robot detection techniques: Overview and limitations. Data Mining and Knowledge Discovery, 22(1), 183-210.

Fernández, C., Baptista, P., y Hernández, R. (1998). Metodología de la investigación (T. M.-H. C. Inc. Ed. Vol. Segunda Edición). México.

Haq, S., y Singh, Y. (2018). Botnet detection using machine learning. Paper presented at the In 2018 Fifth International Conference on Parallel, Distributed and Grid Computing (PDGC).

Hernández, J., Ramírez, J., y Ferri, C. (2004). Introducción a la Minería de Datos (Vol. 9). Madrid.

Imperva. (2020). Bad Bot Report. Retrieved from California, USA

Mohammed, M., Khan , M. B., y Mohammed Bashier, E. B. (2016). Machine Learning Algorithms and Applications: Crc Press.

Pardo, D., Moreno, M., Diaz, H., y Chissingui, H. J. (2022). RANDOM FOREST PARA LA DETECCIÓN DE BOTS EN EL COMERCIO ELECTRÓNICO. Paper presented at the X Congreso Internacional de Tecnologías, Comercio Electrónico y Contenidos Digitales.

Rokach, L. (2015). Decision forest: Twenty years of research. Information Fusion, 27, 111-125.

Rout, Lingam, R. R., y Somayajulu, D. V. (2020). Detection of malicious social bots using learning automata with url features in twitter network. IEEE Transactions on Computational Social Systems, 7(4), 1004-1018.

Rovetta, S., Suchacka, G., y Masulli, F. (2020). Bot recognition in a Web store: An approach based on unsupervised learning. Journal of Network and Computer Applications., 157, 102577.

Velasco, J., González, V., Fidalgo, E., y Alegre, E. (2021). Efficient Detection of Botnet Traffic by features selection and Decision Trees. Paper presented at the Preprint submitted to IEEE Access.

Vishwakarma, A. R. (2020). Network Traffic Based Botnet Detection Using Machine Learning. (Master of Science (MS)), San Jose State University, SJSU Scholar Works.

Xu , H., Li , Z., Chu, C., Chen, Y., Yang , Y., Lu, H., . . . Stavrou, A. (2019). Detecting and Characterizing Web Bot Traffic in a Large E-commerce Marketplace. European Symposium on Research in Computer Security, pp. 143-163.