Modelo de Machine Learning para la Gestión de Amenazas con un SIEM de una Institución Financiera

La ciberseguridad es una prioridad para las instituciones financieras, que enfrentan desafíos constantes en la detección y gestión de amenazas. Este estudio evalúa el rendimiento de cinco modelos de Machine Learning (Random Forest, Support Vector Machine, Regresión Logística, K-Nearest Neighbors y Naive Bayes) en la identificación de anomalías en registros similares a los generados por un Sistema de Gestión de Información y Eventos de Seguridad (SIEM). Se adopta un enfoque metodológico basado en CRISP-ML(Q) y Kanban, combinando un marco estructurado de análisis de datos con una gestión ágil del desarrollo. El conjunto de datos utilizado, obtenido de Kaggle, incluye registros de tráfico normal y eventos anómalos. Se aplicaron técnicas de análisis exploratorio, limpieza y selección de características para optimizar el rendimiento de los modelos. La evaluación se realizó mediante métricas como precisión, recall, F1-score y área bajo la curva (AUC), con el objetivo de determinar el modelo más adecuado para la detección de amenazas. Los resultados muestran que la correcta selección de características y el uso de metodologías estructuradas pueden mejorar significativamente la detección d