Clasificación de software malicioso mediante algoritmos de machine learning para el análisis de su efectividad en detección de amenazas

Abstract

La presente monografía analiza la efectividad reportada de los algoritmos de machine learning Random Forest, Support Vector Machine (SVM) y K-Nearest Neighbors (K-NN) para la clasificación de software malicioso, en comparación con los métodos tradicionales basados en firmas. La investigación se desarrolló bajo un enfoque cualitativo, descriptivo y comparativo, mediante una revisión documental de estudios científicos y fuentes especializadas relacionadas con malware, ciberseguridad y aprendizaje automático.

Durante el desarrollo se revisaron los fundamentos del software malicioso, las características de los métodos tradicionales de detección y los principales enfoques utilizados para aplicar técnicas de machine learning en este campo. Posteriormente, se compararon los resultados reportados en estudios seleccionados mediante métricas como precisión, recall, falsos positivos, exactitud, F1 y AUC.

Los resultados revisados muestran un desempeño favorable de los tres algoritmos analizados. En el estudio de Kurniawan et al. (2025), Random Forest obtuvo la mayor exactitud con 97,33 %, seguido de SVM con 96,6 % y K-NN con 95,0 %. Sin embargo, la revisión también permitió identificar que el desempeño puede variar según las características de los datos y las condiciones utilizadas en cada estudio. Por ello, se concluye que los algoritmos de machine learning representan alternativas que pueden complementar los métodos tradicionales de detección, sin que la evidencia revisada permita establecer un único modelo como superior para todos los escenarios.