Las grandes ramas del Aprendizaje Automático representan un apoyo crucial para la detección de sitios web maliciosos, ya que pueden predecir si una URL es maliciosa o benigna, sin tener en cuenta los ciberataques que estos sitios pueden generar a los usuarios de la red que no son conscientes de ellos.
El objetivo de esta investigación realizada por el Dr. Javier Gamboa Cruzado, docente de la carrera de Ingeniería de Sistemas de la Universidad Autónoma del Perú junto a un equipo de investigadores conformado por Bach. Juan Briceño Ochoa y Bach. Marco Huaysara Ancco estudiantes egresados de nuestra institución, así como, por el Dr. Alberto Alva Arévalo, Dr. Caleb Ríos Vargas, Mg. Magaly Arangüena Yllanes y la Dra. Liset Rodriguez Baca, fue conocer el estado del arte sobre las Redes Neuronales y su impacto en la detección de sitios web maliciosos para los usuarios de la red.
Para ello, se realizó una revisión sistemática de la literatura (RSL) desde 2017 hasta 2021. La búsqueda identificó 561,963 artículos provenientes de diferentes fuentes como Taylor & Francis Online, IEEE Xplore, ARDI, ScienceDirect, Wiley Online Library, ACM Digital Library y Microsoft Academic. De estos, solo 82 artículos fueron considerados según los criterios de exclusión formulados por el autor.
Como resultado de la RSL, se encontraron estudios centrados en el aprendizaje automático (ML), donde se recomienda el uso de algoritmos para lograr una mejor y más eficiente predicción de sitios web maliciosos. Para los investigadores, esta revisión presenta un mapeo de los hallazgos sobre las técnicas de aprendizaje automático más utilizadas para la detección de sitios web maliciosos, que son esenciales para el estudio, ya que aumentan la precisión de un algoritmo. También muestra las principales metodologías de aprendizaje automático empleadas en los artículos de investigación.
Para mayores detalles de esta investigación, ingresar al siguiente enlace:
https://doi.org/10.3991/ijim.v17i01.36371