Esquemas de combinación de árboles de decisión como estrategia para la detección de anomalías

Abstract

La seguridad de los datos consumidos, generados y almacenados es crucial para la calidad de vida en la sociedad actual. Por esta razón, este documento propone un estudio comparativo de diferentes esquemas de combinación de clasificadores múltiples basados ​​en árboles de decisión, debido a su escalabilidad y fácil implementación. Como resultado, se obtuvieron valores de precisión y recuperación de aproximadamente 97% y 100%, que muestran su alta confiabilidad, reducen las falsas alarmas y la alta capacidad de generalización. Una comparación con un algoritmo basado en el aprendizaje profundo mostró que las estrategias de combinación de árboles son competitivas y con resultados estadísticamente similares y superiores al estado de la técnica. Al final, los resultados sugieren que las estrategias de adaptación como XGBoost o estrategias altamente aleatorias como Random Forest o Extra-Tree pueden ser alternativas para la protección de datos valiosos en la red