Yara Cifuentes, Lina MaríaCadena Muñoz, ErnestoCubillos Sánchez, Rafael OrlandoMateus Rojas, Armando2026-08-152026-08-152026-02-09Yara Cifuentes, L. M., Cadena Muñoz, E., Cubillos Sánchez, R., y Mateus Rojas, A. (2024). Desarrollo de un modelo para la detección de ataques SSDF en redes de radio cognitiva móvil integrando técnicas de inteligencia artificial. Documento de investigación presentado para optar al título de Magíster en Ingeniería Electrónica, Universidad Santo Tomás.http://hdl.handle.net/11634/73905Las redes de radio cognitiva móvil (MCRNs) permiten el acceso dinámico al espectro mediante la técnica de detección cooperativa del espectro (CSS), pero presentan vulnerabilidades frente a ataques de falsificación de datos de detección del espectro (SSDF). Diversos estudios han abordado este problema mediante técnicas de aprendizaje automático, modelos de confianza y métodos híbridos. Este articulo presenta los principales resultados de un modelo hibrido que integra máquina de vectores de soporte (SVM), el algoritmo K-Nearest Neighbors (KNN) y un sistema de reputación basado en la distribución Beta para identificar usuarios maliciosos. La validación experimental mediante radio definida por software (SDR) demuestra probabilidades de detección superiores al 90 %, una reducción significativa de falsas alarmas y una mayor robustez en condiciones de movilidad y con bajos valores de relación señal-ruido (SNR).Mobile Cognitive Radio Networks (MCRNs) enable dynamic spectrum access through the Cooperative Spectrum Sensing (CSS) technique; however, they present vulnerabilities to Spectrum Sensing Data Falsification (SSDF) attacks. Various studies have addressed this problem using machine learning techniques, trust models, and hybrid methods. This article presents the main results of a hybrid model that integrates Support Vector Machines (SVM), the K-Nearest Neighbors (KNN) algorithm, and a reputation system based on the Beta distribution to identify malicious users. Experimental validation using Software Defined Radio (SDR) demonstrates detection probabilities above 90%, a significant reduction in false alarms, and greater robustness under mobility conditions and low Signal-to-Noise Ratio (SNR) values.application/pdfAttribution-NonCommercial-NoDerivs 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/internal reportMobile Cognitive Radio NetworksSSDF AttackCooperative Spectrum SensingMachine LearningReputation SystemsSDRRedes de radio cognitivaRedes móvilesSeguridad de redeshttp://purl.org/coar/access_right/c_abf2MCRNSSDFAprendizaje automáticoSVMKNNReputaciónSDR