Un banco de pruebas para la evaluación de técnicas de aprendizaje automático en la detección de anomalías en sistemas ciberfísicos industriales

• Juan-Vicente Martín-Fraile ^[1] ; Nuño Basurto ^[1] ; Jesús-Enrique Sierra-García ^[1] ; Álvaro Herrero ^[1]
  1. [1] Universidad de Burgos

     Universidad de Burgos

     Burgos, España

     
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 101, Nº 2 (Marzo - Abril), 2026, págs. 137-143
• Idioma: español
• DOI: 10.52152/D11516
• Títulos paralelos:
  • A testbed for evaluation of machine learning techniques in anomaly detection in industrial cyber physical systems
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    La creciente digitalización de los entornos industriales, impulsada por la Industria 4.0, ha fomentado la integración de los sistemas ciberfísicos (CPS), que combinan la tecnología de la información (IT) y la tecnología operativa (OT) para mejorar la eficiencia, la automatización y la toma de decisiones en tiempo real. Sin embargo, esta convergencia también ha aumentado la exposición de los sistemas de control industrial (ICS) a las amenazas cibernéticas, lo que pone de relieve la necesidad de contar con herramientas y marcos capaces de detectar anomalías y ciberataques. En este contexto, el presente trabajo propone un banco de pruebas para evaluar técnicas de inteligencia artificial destinadas a la detección automática de anomalías en procesos industriales. El banco de pruebas permite simular condiciones tanto normales como anómalas siguiendo la metodología GEMMA. Se presenta un caso de uso en el que se aplica un enfoque de aprendizaje automático supervisado -concretamente, los algoritmos K-Nearest Neighbours (KNN). Random Forest (RF) y Support Vector Machine (SVM)- a los datos generados en el Banco de pruebas para la detección de anomalías y la protección de sistemas ciberfísicos industriales. Los resultados demuestran la viabilidad del enfoque propuesto para clasificar instancias en función de su comportamiento operativo, logrando una alta precisión en la identificación de patrones normales y fallos de actuadores, y un rendimiento aceptable en la detección de anomalías de sensores. Estos hallazgos validan el banco de pruebas como un entorno realista y eficaz para el desarrollo y la evaluación de sistemas inteligentes de detección de anomalías en CPS industriales. Además, el banco de pruebas propuesto puede considerarse una base sólida para futuras investigaciones en mantenimiento predictivo, optimización de procesos y ciberseguridad industrial.

  • English

    The increasing digitalization of industrial environments, driven by lndustry 4.0, has fostered the integration of Cyber-Physical Systems (CPS), which combine lnformation Technology (IT] and Operational Technology (OT) to enhance efficiency, automation, and real-time decision-making. However, this convergence has also increased the exposure of Industrial Control Systems (ICS) to cyber threats, highlighting the need for tools and frameworks capable of detecting anomalies and cyberattacks. In this context, the present work propases a testbed for evaluating Artificial lntelligence techniques aimed at the automatic detection of anomalies in industrial processes. The testbed enables the simulation of both normal and anomalous conditions following the GEMMA methodology. A use case is presented in which a supervised machine learning approachspecifically, the K-Nearest Neighbours (KNN), Random Forest (RF), and Support Vector Machine (SVM) algorithms-is applied to data generated in the Testbed for Anomaly Detection and Protection of Industrial Cyber-Physical Systems. The results demonstrate the feasibility of the proposed approach for classifying instances based on their operational behaviour, achieving high accuracy in identifying normal patterns and actuator failures, and acceptable performance in detecting sensor anomalies. These findings validate the testbed as a realistic and effective environment for the development and evaluation of intelligent anomaly-detection systems in industrial CPS. Moreover, the proposed testbed can be considered a salid foundation for future research in predictive maintenance, process optimization, and industrial cybersecurity.