Defiende el servidor — v2
Propósito
Clasificación binaria de flujos UNSW-NB15: 0 normal y 1 ataque.
Modelo y datos
Random forest balanceado de 100 árboles, max_depth=18, dentro de un único
pipeline scikit-learn. El preprocesamiento imputa, codifica proto, service,
state con one-hot y escala las variables numéricas. Las columnas id,
attack_cat y label no entran al modelo. El umbral congelado es 0.51.
Se usaron los splits fijos de data/prepared.dvc, semilla 20261027, y el
barrido de umbrales se hizo solo sobre validación. El criterio fue maximizar
recall con FPR máximo de 0.05. Test no se usó.
El artefacto se distribuye en formato joblib; cárguelo únicamente desde esta
revisión verificada y no desde archivos joblib de procedencia desconocida.
Validación
Con umbral 0.51: recall ataque 0.9463; precision ataque 0.9762; FPR 0.0490;
macro-F1 0.9410. Matriz de confusión: [[10801, 557], [1296, 22837]].
Limitaciones y uso
El margen frente al FPR máximo es pequeño y puede cambiar en test por cambio de
distribución y solapamiento. La validación pesa cada fila, incluidas
repeticiones. El dataset es histórico y no demuestra eficacia sobre redes
actuales. No usar attack_cat como entrada.
Trazabilidad
- Git commit del código:
7c35ad5b8734ab5fb8f5b100d7284ba01838a01c - DVC:
data/prepared.dvc - MLflow run:
dcdbd1d174e442039826cfb6d38ccb99 - Criterio:
evidencias/criterio-seleccion.json - Umbral:
0.51
Referencia
Moustafa, N. y Slay, J. UNSW-NB15: a comprehensive data set for network intrusion detection systems. Fuente oficial: UNSW-NB15, UNSW Canberra.
- Downloads last month
- 9