Modelado y aplicación de GNNs para la detección de ciberataques en tiempo real

Abstract

El trabajo aborda los desafios de trasladar un modelo de inteligencia artificial desde su fase de desarrollo hasta su despliegue en producción en entornos de red reales. Se diseña y evalúa una infraestructura escalable para el procesamiento de flujos NetFlow/IPFIX, integrando inferencia en tiempo casi real mediante una Graph Neural Network (GNN). Finalmente, se analizan métricas de rendimiento en entornos de producción sin acceso a datos etiquetados, contrastándolas con los resultados obtenidos en laboratorio, y se propone un enfoque de mejora continua del modelo basado en la observación de tráfico real.

This work addresses the challenges of transferring an artificial intelligence model from its development phase to production deployment in real network environments. An scalable infrastructure is designed and evaluated for NetFlow/IPFIX data processing, integrating near real-time inference using a Graph Neural Network (GNN). Finally, performance metrics are analyzed in production environments without labeled data, contrasting them with laboratory results, and a continuous improvement approach for the model is proposed based on real network traffic observations.

El treball aborda els reptes de traslladar un model d’intel·ligència artificial des de la seva fase de desenvolupament fins al seu desplegament en producció en entorns de xarxa reals. Es dissenya i s’avalua una infraestructura escalable per al processament de fluxos NetFlow/IPFIX, integrant inferència en temps quasi real mitjan¸cant una Graph Neural Network (GNN). Finalment, s’analitzen mètriques de rendiment en entorns de producció sense accés a dades etiquetades, contrastant-les amb els resultats obtinguts en laboratori, i es proposa un enfocament de millora contínua del model basat en l’observació de trànsit real.