Daniela201000/defiende-el-servidor

Defiende el servidor · modelo v2

Clasificador binario de conexiones de red normal (0) / ataque (1) entrenado con UNSW-NB15 para el taller evaluable de MLOps (Universidad Externado de Colombia, 2026-II). Es material académico: no está validado para proteger una red real.

Propósito

Distinguir conexiones normales de posibles ataques y demostrar trazabilidad y recuperación de versiones (código → datos → experimento → modelo).

Modelo

• Experimento: exp4_hist_gradient_boosting (familia arboles), semilla 42
• Preprocesamiento: {"kind": "tree"}
• Estimador: {"type": "hist_gradient_boosting", "params": {"max_iter": 300, "learning_rate": 0.1, "max_leaf_nodes": 31, "l2_regularization": 1.0, "early_stopping": false}}
• Archivo: model.joblib (pipeline sklearn completo: imputación, codificación/escalado y estimador)
• SHA-256 del artefacto: ac60460c5b0508bea7d5504a8d0dff24cda1d2fafca94825b4ff1e369d5f2b62
• Umbral: 0.65 → y_pred = 1 si score_attack >= 0.65
• Razón de esta versión: exp4_hist_gradient_boosting tiene el mayor macro-F1 de validación con umbral 0.5 (0.9502). Con FPR <= 0.05 como límite de falsas alarmas, el umbral 0.65 maximiza el recall de ataque en validación (0.9540, FPR 0.0499).

Datos

• Fuente: UNSW-NB15, particiones publicadas UNSW_NB15_training-set.csv (175.341 filas) y UNSW_NB15_testing-set.csv (82.332), página oficial https://research.unsw.edu.au/projects/unsw-nb15-dataset
• Entrenamiento/validación salen solo del archivo de entrenamiento (StratifiedGroupKFold, semilla 42; las filas con entradas idénticas nunca se reparten entre ambos): train 140274 filas, validación 35067 filas.
• Variables: 42 predictoras; se excluyen id, attack_cat (revela la respuesta) y label.

Métricas de validación (umbral 0.65, ataque = positiva)

recall ataque	precision ataque	FPR	macro-F1	accuracy
0.9540	0.9760	0.0499	0.9463	0.9527

Matriz de confusión (validación): TP=22769 FP=559 TN=10641 FN=1098. Denominadores cero se reportan como 0.0.

Uso

pip install -r requirements.txt
python predict.py --model-dir . --input filas.csv --output predicciones.csv

from huggingface_hub import snapshot_download
d = snapshot_download(repo_id="<repo_id>", revision="<SHA completo de la revisión>")

predict.py verifica el SHA-256 de model.joblib antes de cargarlo. La entrada debe traer las columnas de config.json["features"] (mismo formato que los CSV de UNSW-NB15).

Limitaciones

• Dataset histórico (2015) generado en laboratorio; no demuestra eficacia sobre una red actual.
• 42 % de las filas de entrenamiento son entradas duplicadas y hay grupos con etiquetas contradictorias.
• Cerca del 10 % de las entradas de test aparecen idénticas en train/val: el test es optimista.
• Niveles de state no vistos en entrenamiento se codifican como desconocidos.
• Cargar model.joblib ejecuta pickle: usar solo revisiones verificadas por SHA.

Trazabilidad

• Código: https://github.com/danielaestudio02-del/Taller_1 · tag v2 · commit de entrenamiento 9a17cd225142061547ee474b9720e1113bfbea92
• Datos DVC: originales data/raw.dvc md5 fe93051ae209ffb0128a31e7a478c009.dir (commit 1b826c1f1700cad8881f4c046b83ed0c47938f73); preparados data/prepared.dvc md5 53545c819eb4a624ddf5da61d08666c7.dir (commit 9a17cd225142061547ee474b9720e1113bfbea92)
• MLflow: experimento defiende-el-servidor, run a5ca54703ec744fba37ff99212277e71
• Entorno: Python 3.13.17, scikit-learn 1.9.1

Resultado final en test (evaluación única)

Evaluada la revisión e2f7bfdd932f383d7cf40c5413d5d407408889ba (artefacto SHA-256 ac60460c5b0508bea7d5504a8d0dff24cda1d2fafca94825b4ff1e369d5f2b62), umbral 0.65, sobre las 82332 filas de UNSW_NB15_testing-set.csv (SHA-256 734fe6642edf758f7c94d7d9149426b49d202fe8e7bf0bef47392489c3c0a559).

recall ataque	precision ataque	FPR	macro-F1	accuracy
0.9701	0.8681	0.1806	0.8996	0.9024

Matriz: TN=30319 FP=6681 FN=1357 TP=43975. La FPR en test (0.18) es mucho mayor que en validación (0.05): el tráfico normal del archivo de test difiere del de entrenamiento. Este commit solo actualiza documentación; model.joblib es idéntico al de la revisión evaluada.