La detección de anomalías es un tipo de técnica de seguridad informática que se utiliza para detectar e identificar datos o actividades sospechosas que están potencialmente vinculadas a amenazas de seguridad o ataques maliciosos. Es una forma de aprendizaje automático no supervisado que se basa en datos existentes para detectar irregularidades desconocidas e inesperadas en los datos que son potencialmente sospechosas.
Los métodos de detección de anomalías se utilizan para detectar anomalías en funciones de entrada de longitud fija, como tráfico de aplicaciones de red, datos del sistema informático o entradas de registros, mensajes de texto u otras fuentes de datos. También se utiliza para detectar comportamientos inusuales de usuarios o dispositivos, tráfico intra e interred y otras actividades. Los modelos para la detección de anomalías suelen utilizar métodos de aprendizaje supervisados o no supervisados para detectar valores atípicos, varían en la cantidad de información utilizada a partir de los datos y deben entrenarse en un conjunto de datos etiquetados.
La detección de anomalías funciona escaneando puntos de datos que divergen del comportamiento o patrones esperados en un conjunto de datos. Esto podría incluir actividad inusual en las cuentas de los clientes, tráfico de red sospechoso, posible fraude o cualquier otro tipo de dato que se destaque del resto de los datos. Cuando se detecta un patrón inusual, el sistema se puede utilizar para alertar a un operador o iniciar una respuesta automatizada a la amenaza.
Los sistemas de detección de anomalías se pueden utilizar para ciberseguridad, recopilación de inteligencia, detección de fraude, detección de defectos de fabricación y análisis de datos sanitarios. Este tipo de detección también se puede utilizar en el sector sanitario para detectar problemas médicos, diagnosticar fallos o mal funcionamiento de equipos o detectar fraude financiero.
La detección de anomalías es una herramienta poderosa para detectar amenazas o comportamientos maliciosos. Sin embargo, debido a la complejidad de algunos conjuntos de datos, pueden ocurrir falsos positivos o falsos negativos con estos modelos, cuando un evento anormal se detecta erróneamente o un comportamiento malicioso no se detecta. Para reducir estos falsos positivos y negativos, los modelos de detección de anomalías deben ajustarse cuidadosamente y reevaluarse periódicamente.
