Predicción de Riesgos Cibernéticos en Bangladesh Usando Aprendizaje Automático

El Riesgo Cibernético se refiere a los peligros de daño a la reputación, pérdida de dinero o interrupciones en los servicios, a menudo causados por el uso involuntario de la tecnología. Este riesgo está aumentando constantemente y se ha convertido en una preocupación global. Países como Bangladesh enfrentan desafíos significativos para lidiar con las amenazas cibernéticas. A medida que estas amenazas crecen, hay una necesidad urgente de modelos para predecir y gestionar los riesgos asociados a ellas.

Este artículo habla sobre un modelo que utiliza Aprendizaje automático (ML) para predecir quién podría ser vulnerable a ataques cibernéticos analizando factores sociales y económicos. Se recopilaron datos tanto de Víctimas como de no víctimas de ataques cibernéticos, enfocándose en su información personal y demográfica. Se creó un cuestionario para reunir estos datos, que luego fueron analizados para ver qué factores eran los más importantes. El conjunto de datos se amplió con técnicas para incluir 3,286 entradas, formando la base del estudio.

De varios modelos de ML probados, se sugirió un nuevo modelo llamado Bosque Aleatorio de Características Pertinentes (RF). Este modelo alcanzó la mayor precisión del 95.95% usando solo 20 características. También identificó relaciones entre diferentes factores utilizando un algoritmo que mide la fuerza de estas relaciones, con un nivel de confianza de más del 80%. Se crearon diez reglas importantes a partir de este análisis, mostrando su capacidad para predecir ataques cibernéticos y los factores relacionados. El trabajo futuro se centrará en mejorar la precisión de este modelo y explorar factores de riesgo adicionales para hacerlo más efectivo en la comprensión de las amenazas cibernéticas.

#Resumen de las Amenazas de Ciberseguridad

A medida que la tecnología evoluciona, también lo hacen las complejidades de las amenazas cibernéticas. Más personas y organizaciones dependen en gran medida de la tecnología, lo que genera preocupaciones sobre posibles ataques cibernéticos. Un informe de 2017 mostró un aumento del 10% en los ataques a organizaciones, destacando el mal uso negativo de internet. El riesgo cibernético abarca la posibilidad de pérdida económica, interrupción de servicios o daño a la reputación de una organización debido al mal uso de los sistemas de información.

La tendencia de los ataques cibernéticos es alarmante, con un aumento significativo en correos electrónicos de phishing y nuevos tipos de malware reportados. La infraestructura crítica se ha convertido en un objetivo principal, llevando no solo a inconvenientes, sino a situaciones que amenazan la vida. Un informe de 2018 destacó que un porcentaje considerable de grandes empresas a nivel mundial experimentó filtraciones de datos, con Estados Unidos enfrentando la mayoría de estos incidentes. El costo global de la ciberseguridad inadecuada alcanzó alrededor de $945 mil millones en 2020.

A pesar de la creciente atención hacia la ciberseguridad, hay una falta de datos exhaustivos sobre estas amenazas. Un informe reciente encontró que un número significativo de organizaciones experimentó ataques de ransomware, siendo el error humano a menudo un factor importante. Esto es especialmente preocupante en lugares como Bangladesh, donde muchos son ajenos a los riesgos de los ataques cibernéticos. Un comportamiento en línea descuidado puede llevar a resultados devastadores, incluyendo un profundo malestar emocional.

#El Papel de las Tecnologías Basadas en Datos

La tecnología basada en datos se ha convertido en un aspecto esencial de muchos campos. La mayoría de las actividades en nuestras vidas diarias se registran ahora como datos, y los conocimientos obtenidos de estos datos pueden ayudar a crear soluciones efectivas. Estas soluciones pueden aplicarse en varios contextos, que van desde la salud pública hasta la analítica empresarial.

Este estudio tiene como objetivo identificar y analizar las amenazas de ciberseguridad que enfrentan las personas en Bangladesh. Para lograr este objetivo, se recopilaron datos utilizando un cuestionario enfocado en los principales factores de riesgo asociados a las amenazas cibernéticas. Los datos recopilados pasaron por un preprocesamiento para determinar la importancia de varias características, eliminando características irrelevantes para desarrollar un modelo predictivo basado en algoritmos de clasificación de ML.

#Identificando Amenazas de Ciberseguridad

Una variedad de estudios han abordado diferentes aspectos del riesgo cibernético, incluyendo causas, efectos e impactos. Sin embargo, hay poca investigación sobre cómo prevenir estos riesgos, particularmente utilizando métodos de aprendizaje automático. Algunos investigadores han investigado diferentes técnicas de ML para detectar problemas como el ciberacoso y el fraude en línea. Por ejemplo, se han utilizado diferentes algoritmos para analizar datos de redes sociales para predecir el crimen cibernético.

A pesar de los avances, todavía existe una brecha significativa en la investigación sobre escalabilidad, adaptabilidad y procesamiento de datos en tiempo real en el análisis de riesgos cibernéticos. Este estudio tiene como objetivo cerrar esa brecha creando un conjunto de datos inclusivo y desarrollando un marco robusto que incluya clasificadores predictivos e identificación de factores de riesgo clave.

#Metodología de Investigación

Se siguió un proceso detallado en este estudio para recopilar y analizar datos. Después de revisar la literatura, se creó un cuestionario compuesto por 26 preguntas de opción múltiple relacionadas con el riesgo cibernético. Cada pregunta tenía dos respuestas distintas, junto con algunas preguntas ordinales. El conjunto de datos se formó a partir de respuestas recopiladas de víctimas y no víctimas de ataques cibernéticos, con un conjunto de datos final que contenía 27 características.

#Recopilación de Datos y Pre-procesamiento

Los datos se recopilaron utilizando dos métodos distintos: una encuesta en línea para no víctimas y entrevistas en persona para víctimas. Esto fue necesario debido a los desafíos asociados con la identificación de víctimas. Después de recopilar los datos, las respuestas se organizaron en hojas de cálculo con identificadores únicos para cada pregunta. Ambos conjuntos de datos se fusionaron, lo que permitió un análisis adecuado de las diferencias entre víctimas y no víctimas.

#Análisis y Selección de Características

El siguiente paso consistió en analizar los datos recopilados para identificar qué características eran significativas. Esto se logró utilizando métodos estadísticos, donde se calcularon los valores p de las características para revelar su importancia. Se eliminaron características con menos impacto, lo que llevó a un conjunto refinado de características utilizadas para el modelo.

#Entrenamiento del Modelo de Clasificación

El conjunto de datos se dividió en conjuntos de entrenamiento, prueba y validación. El conjunto de datos de entrenamiento consistía en el 75% de los datos totales, mientras que el conjunto de datos de prueba contenía el 17.55%. Se emplearon varios algoritmos de clasificación para crear un modelo predictivo, incluyendo Bosque Aleatorio, Árbol de Decisión y Clasificador de Support Vector.

El algoritmo Bosque Aleatorio fue particularmente señalado por su efectividad, ya que utiliza múltiples árboles de decisión para hacer predicciones considerando varios atributos del conjunto de datos. Este modelo logró la mayor precisión, demostrando su capacidad para analizar conjuntos de datos grandes y diversos de manera efectiva.

#Analizando Factores Clave de Riesgo

Después de seleccionar las características más importantes y el mejor modelo de clasificación, el siguiente paso lógico fue identificar cuáles de estas características tenían la mayor influencia en los riesgos cibernéticos. Las características se separaron en factores distintos que podían analizarse por su relevancia para los riesgos cibernéticos.

Cada característica tenía características específicas que indicaban riesgo, permitiendo una comprensión más profunda de cómo estos factores contribuían a que las personas se convirtieran en víctimas de ataques cibernéticos. Se empleó minería de reglas de asociación para evaluar estas relaciones, revelando patrones relacionados con el riesgo.

#Resultados Experimentales

A través del proceso de selección de características y clasificación, se lograron resultados notables. El clasificador de Bosque Aleatorio entrenado con 20 características proporcionó el mejor rendimiento con una tasa de precisión del 95.95%. El análisis indicó que las características seleccionadas impactaron sustancialmente en la capacidad del modelo para predecir riesgos cibernéticos de manera efectiva.

El rendimiento del modelo se validó aún más a través de varias métricas, como precisión y recuperación, demostrando su confiabilidad en distinguir entre víctimas y no víctimas de ataques cibernéticos.

#Comparando el Rendimiento del Clasificador

Al evaluar el rendimiento de diferentes clasificadores, fue necesario considerar varias métricas. El clasificador de Bosque Aleatorio no solo exhibió la mayor precisión, sino que también proporcionó excelentes resultados en otras métricas como precisión, recuperación y puntuación F1. Estas mediciones indicaron la capacidad del modelo para clasificar correctamente las instancias, destacando su efectividad para predecir amenazas cibernéticas.

#Visualización de Resultados

Los resultados se ilustraron aún más utilizando curvas ROC, que visualizaron la sensibilidad y especificidad del modelo a través de diferentes umbrales de clasificación. También se calcularon los valores AUC, que indican la capacidad discriminatoria del modelo, para comparar el rendimiento entre los clasificadores de manera efectiva.

#Hallazgos Clave del Análisis

El análisis identificó varios factores clave de riesgo subyacentes a las amenazas cibernéticas. Entre estos factores se encuentran el uso de contraseñas débiles, compartir información personal en línea y hacer clic imprudentemente en enlaces de spam. Entender estos factores de riesgo puede ayudar a las personas a reconocer áreas donde pueden ser vulnerables a ataques cibernéticos.

El análisis exhaustivo reveló que las personas que participan frecuentemente en comportamientos de compra compulsiva en línea, descuidan la importancia de contraseñas seguras y comparten acceso a cuentas en línea están notablemente en riesgo. Al dirigirse a estos comportamientos, se pueden desarrollar medidas preventivas para aumentar la conciencia sobre la ciberseguridad y reducir el riesgo.

#Recomendaciones para la Gestión del Riesgo Cibernético

Los conocimientos recopilados de esta investigación pueden ser fundamentales para desarrollar estrategias efectivas para gestionar los riesgos cibernéticos. Las organizaciones pueden utilizar esta información para mejorar sus marcos de ciberseguridad, enfocándose en medidas de educación y concienciación adaptadas a sus audiencias específicas.

Las personas también pueden beneficiarse al entender los factores clave que llevan a ataques cibernéticos. Al adoptar prácticas seguras en línea, usar contraseñas fuertes y ser cautelosos al compartir información personal, las personas pueden protegerse mejor de convertirse en víctimas.

#Conclusión y Direcciones Futuras

Este estudio ha destacado el papel crucial de los factores socioeconómicos en la predicción de riesgos de ciberseguridad. Ha establecido un marco para evaluar amenazas mediante el análisis basado en datos. Al investigar las relaciones entre factores de riesgo y amenazas cibernéticas, esta investigación proporciona un recurso valioso tanto para individuos como para organizaciones.

De cara al futuro, la investigación futura puede refinar aún más el modelo propuesto, explorar factores de riesgo adicionales y desarrollar intervenciones específicas para abordar vulnerabilidades. Desarrollar una comprensión profunda de estos riesgos no solo ayudará a predecir posibles amenazas, sino que también empoderará a las personas para que tomen medidas proactivas para salvaguardar su información.

Al centrarse en el análisis predictivo en ciberseguridad, podemos mejorar nuestra respuesta al panorama en constante evolución de las amenazas cibernéticas y crear entornos digitales más seguros para todos.