Abstract:
En la era digital, la creciente demanda de seguridad cibernética se hace cada vez más evidente. Los ataques cibernéticos, especialmente en sistemas de transacciones online, presentan desafíos significativos, como fraudes con tarjetas de crédito robadas o perdidas. Para hacer frente a esta problemática, se han desarrollado los honeypots, un sistema de seguridad que simula vulnerabilidades para atraer a los atacantes. El propósito es estudiar sus métodos y tácticas, complementando así las estrategias tradicionales y fortaleciendo la defensa contra amenazas como fraudes con tarjetas de crédito. Se ha implementado un sistema de transacciones online con el patrón arquitectónico Modelo-Vista-Controlador junto a la creación de un honeypot integrando dos modelos de Machine Learning y un dataset simulado. Para las pruebas, la validación cruzada reveló que la matriz de confusión en Random Forest destacó una mejora significativa en la identificación de transacciones anómalas, con altos valores de verdaderos negativos y positivos. No obstante, en regresión logística, se observó un rendimiento considerablemente menor en comparación al modelo anterior. Aunque la Regresión Logística identificó la mayoría de las transacciones anómalas, su rendimiento global fue inferior en términos de precisión y exactitud. La metodología adoptada desempeñó un papel crucial en el logro exitoso de los objetivos. Su enfoque iterativo y la atención constante a la retroalimentación fueron fundamentales para la conclusión exitosa del proyecto.