12 July 2024 in Jornadas de Automática
Desde hace unos años la aparición y uso de dispositivos IoT (Internet de las Cosas), los cuales destacan por el uso de protocolos ligeros debido a su baja carga computacional, hace que surgan nuevos vectores de ataque en en los sistemas con dispositivos IoT. Es por ello que es necesario entrenar y desarrollar modelos de aprendizaje automático a partir de datos reales, que se implementen en sistemas de deteccion de intrusiones (IDS). Aquí es donde intervienen los datasets los cuales posibilitan esta actividad gracias al desarrollo efectivo de estos modelos. En este trabajo se presenta el desarrollo de un disector de tramas que facilita la generación datasets específicos para los diferentes protocolos IoT existentes que sean útiles para crear modelos de aprendizaje automático a partir de los mismos.
1 September 2025 in Jornadas de Automática
IGIsaías García-Rodríguez
Este trabajo presenta una auditoría funcional de dispositivos comerciales con conectividad Bluetooth Low Energy (BLE), centrada en juguetes conectados en el contexto del Internet de las Cosas (IoT). Se empleó una metodología basada en el uso de dos dongles nRF52840: uno configurado como escáner para identificar direcciones MAC aleatorias, y otro como sniffer BLE integrado en Wireshark para capturar el tráfico entre el dispositivo y su aplicación. Las capturas muestran que varios de los dispositivos analizados transmiten datos sin cifrado ni autenticación, lo que permite ataques como interceptación, inyección de comandos o repetición de mensajes. Como línea de trabajo futuro, se propone el uso de las capturas obtenidas para entrenar modelos de detección de anomalías mediante aprendizaje automático.
2 November 2026 in Journal of Logic and Computation
Private 5G Standalone (SA) networks face radio-frequency jamming as an availability threat that propagates from the radio interface into observable changes in control-plane and user-plane traffic. This work assesses whether a labelled 5G SA dataset, captured in a private Firecell testbed under controlled software-defined-radio-based jamming and including legitimate disconnection events labelled as normal, supports supervised jamming detection from protocol-derived features. Four classical baselines (Logistic Regression, Gradient Boosting, k-Nearest Neighbours and Decision Tree) are trained on a stratified split with grid-search hyperparameter tuning, after tabular preprocessing of the traces. The evaluation is repeated over five random partitions and reported as mean and standard deviation. The dataset is also compared with existing 5G intrusion detection datasets and characterized at the protocol-stack level. Gradient Boosting yields the best trade-off and the highest PR-AUC, with the smallest dispersion across partitions, while Logistic Regression gives the highest jammer recall at a high false-positive rate and k-Nearest Neighbours proves the most sensitive to the partition. The dataset is a realistic basis for subsequent work on more advanced detection models.