NIDS de Dos Niveles Basado en ML para IoT Industrial

Mi proyecto de Trabajo de Fin de Grado, desarrollado como Becario de Investigación en el Grupo de Investigación ICOM, Universidad de Oviedo. El sistema es un pipeline de detección de intrusiones de red de dos niveles para IoT Industrial:

• Un clasificador binario federado que se ejecuta en el edge (probado en una Raspberry Pi 4 de 8GB) marca el tráfico anómalo localmente, sin que ninguna planta tenga que exponer datos de proceso en bruto a un servidor central.
• Un clasificador multiclase centralizado toma el tráfico marcado e identifica la categoría de ataque específica, agregando señal entre plantas mientras preserva la privacidad de cada una.

El clasificador de edge alcanza un 98,6% de precisión y un 95,0% de recall en hardware de bajo coste, demostrando que la detección de intrusiones preservando la privacidad y desplegable en el edge es viable en entornos industriales, no solo como técnica a escala de centro de datos.

Este proyecto también es donde se afinó mi interés por la seguridad en IA: un falso negativo aquí es una intrusión no detectada, y un falso positivo es un operador aprendiendo a ignorar la alarma. Acertar con el equilibrio entre robustez y calibración bajo tráfico adversarial y con cambios de distribución es una versión pequeña y concreta del mismo problema que el trabajo de alineamiento e interpretabilidad intenta resolver a mayor escala.