CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Ataques adversarios en Machine Learning para IoT

Estudiants que han llegit aquest projecte:

Director/a: LEÓN ABARCA, OLGA

Departament: ENTEL

Títol: Ataques adversarios en Machine Learning para IoT

Data inici oferta: 31-01-2026     Data finalització oferta: 30-09-2026


Estudis d'assignació del projecte:
    GR ENG TELEMÀTICA
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
Detecció d'amenaces, IoT, machine learning, ataques adversarios
 
Descripció del contingut i pla d'activitats:
El Internet de las Cosas (IoT) ha experimentado un crecimiento exponencial en los últimos años, integrándose en ámbitos críticos como hogares inteligentes, industria 4.0, salud, transporte y ciudades inteligentes. Estos entornos generan grandes volúmenes de datos que son analizados mediante técnicas de Machine Learning (ML) para tareas como detección de anomalías, clasificación de tráfico, predicción de fallos o identificación de intrusiones.

Sin embargo, el uso de ML introduce nuevas superficies de ataque. En particular, los ataques adversarios, como el data poisoning (envenenamiento de datos de entrenamiento) y los ataques de evasión (manipulación de datos en fase de inferencia), representan una amenaza significativa para la fiabilidad y seguridad de los modelos desplegados en entornos IoT. Dado que muchos dispositivos IoT operan con recursos limitados y en entornos no controlados, estos ataques pueden pasar desapercibidos y provocar decisiones erróneas con consecuencias críticas.

Este TFG tiene como objetivo analizar y cuantificar el impacto real de estos ataques sobre modelos de ML utilizados para la detección de amenazas en IoT.
 
Overview (resum en anglès):
The fast advancement of digitization in the healthcare sector has consolidated the Internet of Medical Things (IoMT) ecosystem, improving patient monitoring but introducing critical network vulnerabilities. To protect these infrastructures, Intrusion Detection Systems (IDS) based on Machine Learning (ML) are presented as the optimal solution. However, these models are susceptible to Adversarial Machine Learning techniques. This Bachelor's Thesis aims to evaluate the robustness and resilience of different ML architectures integrated into an IDS against poisoning attacks during their training phase.
To carry out this evaluation, the performance of four classifiers (Decision Tree, Random Forest, XGBoost, and Sequential Neural Networks) was analyzed using the IoMT-TrafficData network flow dataset. The methodology included class balancing using SMOTE and random under-sampling, followed by the stochastic injection of Label Flipping and Modified Data attack vectors at ratios of 1%, 5%, and 10%.
Empirical results reveal that Random Forest stands out as the most robust and resilient classifier in the study, successfully maintaining optimal detection metrics (F1-Score) even under extreme poisoning conditions (up to 50% poisoning). Furthermore, the feasibility analysis confirms its operational suitability for real-time network deployments; with an inference latency of just 13.49 microseconds per flow and a processing throughput exceeding 47 Mbps, the IDS guarantees zero network impact. This performance prevents buffer saturation, rigorously meeting the clinical effectiveness requirements of the IEC 80001-1 international standard.

© CBLTIC Campus del Baix Llobregat - UPC