RF-API Sentinel v2.0 (2026)

Diagnóstico de Amenazas mediante Random Forest & Consistencia OpenAPI

Eficacia (F1-Score)

0.0%

Balance global

Precisión

0.0%

Positivos correctos

Sensibilidad (Recall)

0.0%

Detección de amenazas

Latencia Promedio

0 ms

Tiempo de inferencia

Tráfico Real (Random Forest)

ID Muestra Método Longitud Chars Críticos OpenAPI Predicción RF Certeza

Clasificación de Amenazas

Análisis basado en 0 muestras recolectadas experimentalmente.

Ficha de Recolección de Datos Experimentales

Documento de control administrativo y técnico para el dataset[cite: 4, 5].

1

Control Administrativo [cite: 5]

2

Contexto Técnico [cite: 12]

3

Mediciones (Matriz) [cite: 14]

4

Resultados y Validación [cite: 16]

Al procesar, el algoritmo Random Forest generará la **Predicción**, **Probabilidad** y **Latencia** de forma automática según la matriz de variables[cite: 17].

Configuración de Despliegue (Gateway)

Interfaz de control para el motor de inferencia en tiempo real.

SISTEMA ACTIVO

1. Entorno de Ejecución C++

Archivo ejecutable del modelo Random Forest compilado.

Referencia para el Flag de Consistencia[cite: 13].

2. Políticas de Mitigación (IPS)

* Las políticas se aplican mediante IPTables y el Gateway de Laravel de forma inmediata tras guardar.

Laboratorio de Entrenamiento (ML Ops)

Gestión del Dataset y Archivos del Modelo Random Forest.

V.2.0-Ready

Archivo del Modelo

Sin modelo en producción

Sube el archivo compilado (.pkl, .so) para activar el IPS.

Reentrenamiento Automático

Ejecuta el script en segundo plano para generar un nuevo modelo basado en las 0 muestras recolectadas actualmente.