Vigilancia estructural de ciberataques evasivos mediante ruptura de simetría ecosistémica

Este repositorio contiene los scripts y recursos necesarios para reproducir el experimento descrito en el artículo:

Cibernética inversa: detección de ciberataques evasivos mediante ruptura de simetrí­a ecosistémica
Carlos Mario Braga, Manuel A. Serrano, Eduardo Fernádez-Medina
Universidad de Castilla-La Mancha

---

Objetivo del proyecto

Detectar ataques evasivos que no se manifiestan como anomalí­as locales, sino como rupturas de simetrí­a estadítica del ecosistema digital. Se utilizan métricas de divergencia como Jensen-Shannon (JS) y Wasserstein (W1) para anticipar perturbaciones estructurales sin supervisión.

---

Estructura de scripts

prepare_data.py

Preprocesa el dataset CIC IDS 2017, generando vectores normalizados y limpios.
Genera: processed_data/benign.csv, attack_mimetic.csv, attack.csv
Incluye filtrado por tipo de evento, limpieza de columnas, codificación, normalización z-score.

inject_offensive.py

Simula perturbaciones ofensivas inyectando eventos miméticos (brute, infiltration).
Genera: generated_samples/Pt_Xpct.csv, P0.csv

compute_divergences.py

Calcula la divergencia JS y la distancia W1 entre dos muestras.
Espera datos escalados y alineados.

calibrate_baseline.py

Bootstrap sobre subconjuntos benignos para construir la distribución empí­rica base.
Genera: processed_data/bootstrap_divergences.csv

analyze_calibration_stats.py

Calcula percentiles, medias y umbrales operativos a partir del bootstrap.
Genera: processed_data/bootstrap_summary.json

evaluate_divergences.py

Evalúa sensibilidad de JS/W1 vs. Isolation Forest.
Salidas: CSVs, gráficos (evaluation_output/), modelos IF (models/).

analyze_threshold_sweep.py

Analiza cómo cambia la detección de Isolation Forest al variar el umbral.
Salida: fig2_mosaico_thresholds.png y threshold_sweep_results.csv

---

Instalación

git clone https://github.com/<tu_usuario>/ecosystem-anomaly-detection.git
cd ecosystem-anomaly-detection
pip install -r requirements.txt

Requisitos principales:

• Python 3.8+
• numpy, pandas, scikit-learn, matplotlib, scipy, joblib

---

Ejecución paso a paso

python prepare_data.py               # Preprocesamiento inicial
python inject_offensive.py           # Inyección de ataques miméticos
python calibrate_baseline.py         # Bootstrap sobre benignos
python analyze_calibration_stats.py  # Umbrales empíricos
python evaluate_divergences.py       # Comparación estructural vs. puntual
python analyze_threshold_sweep.py    # Barrido de umbrales (Isolation Forest)

Resultados esperados

• JS activa señal estructural con solo 1% de eventos ofensivos.
• W1 crece sistemáticamente con el porcentaje de inyección de ataques miméticos.
• Isolation Forest no detecta ataques miméticos en fases tempranas.
• Umbrales derivados del bootstrap permiten distinguir ruido de ruptura.

---

Contacto: carlosmario.braga1@alu.uclm.es