Implementación de un sistema inteligente de seguridad doméstica basado en IOT y aprendizaje automático para la detección de intrusos

Abstract

En la presente investigación se desarrolla e implementa un sistema inteligente de seguridad doméstica basado en tecnologías de Internet de las Cosas (IoT) y aprendizaje automático (Machine Learning o ML) para la detección de intrusos, debido a la creciente inseguridad en entornos residenciales del país. El estudio se llevó a cabo en una vivienda unifamiliar ubicada en la ciudad de Loja Ecuador, donde se instaló una infraestructura compuesta por sensores Aqara bajo protocolo ZigBee, un coordinador ConBee II, un Gateway Raspberry Pi 5 y un sistema de respaldo energético solar. La metodología utilizada integró Design Science Research (DSR) para el diseño e implementación del sistema y CRISP-DM para el desarrollo del modelo de ML, por otra parte, los datos se recolectaron durante aproximadamente dos meses y medio (marzo–mayo 2025), registrando 28 variables de los sensores. El procesamiento se realizó mediante una arquitectura de microservicios desplegada en Docker, con backend en FastAPI, frontend en React, y bases de datos InfluxDB y PostgreSQL. En la fase experimental se evaluaron los algoritmos Isolation Forest, One-Class SVM y Elliptic Envelope, resultando en que este último alcanzó el mejor desempeño en validación cruzada con un accuracy promedio de 0.85. Sin embargo, al validar el sistema con patrones de intrusión simulados se evidenciaron limitaciones críticas: un recall bajo (20%), lo que implica que solo se detecta una de cada cinco intrusiones, y un alto índice de falsos positivos (86.7%), clasificando gran parte de la actividad normal como anómala. Estos resultados muestran que la integración de IoT y machine learning constituye una base sólida xv para sistemas de seguridad doméstica inteligentes, aunque el modelo actual presenta restricciones que limitan su confiabilidad en escenarios de seguridad crítica sin ajustes y optimizaciones significativas, como un mayor tiempo en la toma de muestras.