Este documento comparó y analizó modelos de aprendizaje automático adecuados para sistemas de detección de intrusiones (IDS) utilizando el conjunto de datos CICIDS2017. Se evaluaron cuatro modelos: un perceptrón multicapa (MLP), una red neuronal convolucional unidimensional (CNN), una máquina de vectores de soporte de una clase (OCSVM) y un factor de valor atípico local (LOF), en dos escenarios: detección de ataques existentes y generalización a amenazas desconocidas. MLP y CNN basados en aprendizaje supervisado lograron una precisión casi perfecta para ataques existentes, pero redujeron significativamente la recuperación para nuevos ataques. LOF basado en aprendizaje no supervisado logró una precisión general moderada pero una alta recuperación para amenazas desconocidas, pero sufrió una alta tasa de falsas alarmas. OCSVM logró el mejor equilibrio de precisión y recuperación, demostrando un rendimiento de detección robusto en ambos escenarios.
