Defensa de Tesis de Doctorado en "Artificial Intelligence and Cybersecurity" por el Sr. Oluwadamlare Harazem ABDULGANYU

La Universidad Euromed de Fez (UEMF) se complace en informar al público de

la defensa de tesis doctoral en ” Artificial Intelligence and Cybersecurity ”

La defensa de la tesis tendrá lugar el Jueves, 10 de julio de 2025, a las 09:00 a.m en la UEMF 

Ubicación: Galería, Edificio 1 

La tesis será presentada por el Sr. Oluwadamlare Harazem ABDULGANYU

bajo el tema :

“DISEÑO DE UN SISTEMA DE DETECCIÓN DE INTRUSIONES (NIDS) HÍBRIDO BASADO EN RED UTILIZANDO INTELIGENCIA ARTIFICIAL (IA)”

General Summary 

Los sectores de infraestructuras críticas como las tecnologías de la información, las telecomunicaciones y la energía dependen de sistemas de ciberseguridad robustos y adaptativos para proteger las operaciones frente a amenazas cibernéticas conocidas y emergentes. Los Sistemas de Detección de Intrusiones (IDS) tradicionales suelen sufrir tasas elevadas de falsos positivos, precisión limitada para detectar ataques novedosos, sobrecargas computacionales e ineficiencias en la gestión del tráfico de red desbalanceado, donde la actividad benigna supera con creces el comportamiento malicioso. Para abordar estos desafíos, esta investigación adoptó un enfoque experimental en varias fases que comenzó con el desarrollo y la evaluación de tres modelos de detección de anomalías basados en aprendizaje profundo: (1) CWFLAM-VAE_XGB, que integra Class-Wise Focal Loss, Variational Autoencoder, Mecanismo de Atención y Extreme Gradient Boosting para mejorar el aprendizaje de características y la discriminación de clases; (2) CWFL-VAE_AM-LSTM, que incorpora LSTM mejorado con atención y focal loss para capturar relaciones temporales y priorizar la detección de clases minoritarias; y (3) FS-AM-FL-LSTM, un modelo Few-Shot LSTM aumentado con atención y focal loss, diseñado específicamente para funcionar bien en entornos de muestras limitadas reconociendo patrones de intrusión raros pero críticos. Estos modelos se evaluaron utilizando conjuntos de datos de referencia que incluyen NSL-KDD, CSE-CIC-IDS2018 e IEC 60870-5-104, y se valoraron con métricas exhaustivas como precisión (accuracy), precisión (precision), recall, F1-score, tasas de falsos positivos y negativos, tiempo de detección y rendimiento (throughput). Entre ellos, el modelo Few-Shot LSTM basado en atención (FS-AM-FL-LSTM) mostró un rendimiento superior en el manejo de datos desbalanceados y en la detección de ataques novedosos. Basado en este hallazgo, el modelo de detección de anomalías con mejor desempeño se integró con un motor de detección por firmas basado en Snort para desarrollar el IDS híbrido final propuesto, denominado Snort Adaptive Few-Shot Learning (Snort-AFL). Este sistema híbrido combina la eficiencia determinista de la detección por firmas con la inteligencia adaptativa de la detección de anomalías basada en aprendizaje profundo. El motor Snort fue optimizado usando algoritmos de hashing y Radix Sort para una coincidencia rápida de firmas, mientras que el componente de detección de anomalías aprovechó mecanismos de atención y focal loss para mejorar la detección de amenazas complejas y previamente desconocidas. La integración se diseñó para equilibrar la detección de baja latencia para amenazas conocidas con una alta adaptabilidad frente a patrones de ataque en evolución. Además, se incorporaron técnicas de IA explicable para aumentar la transparencia y la interpretabilidad del proceso de toma de decisiones del sistema. Los resultados experimentales demostraron que Snort-AFL supera a los modelos IDS tradicionales y a los enfoques híbridos existentes en todas las métricas evaluadas. Esta investigación aporta una arquitectura IDS híbrida práctica y eficaz que aborda limitaciones críticas de los sistemas existentes y ofrece una solución escalable para proteger infraestructuras críticas en entornos de red complejos, desbalanceados y dinámicos.

Esta tesis será presentada a los miembros del jurado: