http://hdl.handle.net/10498/6784 Thu, 05 Nov 2026 06:14:07 GMT 2026-11-05T06:14:07Z http://hdl.handle.net/10498/39860 Arquitectura Software para el Enriquecimiento del Contexto y Detección de Eventos Significativos en Dominios Smart Everything del Internet de las Cosas Colaborativo Bazán Muñoz, Adrián The exponential growth of the Internet of Things (IoT) and the proliferation of Smart Everything applications have driven the development of intelligent environments capable of monitoring, processing and reacting to large volumes of data in real time. However, most current solutions continue to operate in isolation within a single application domain, which limits information contextualisation and misses a significant opportunity to improve it by discarding data from domains without an apparent relationship. Furthermore, the absence of a common criterion for defining and structuring data generated across different domains hinders their integration and correlation. This doctoral thesis addresses these limitations by proposing a software architecture aimed at improving contextualisation through the detection of situations of interest and their management via contextualised actions in collaborative IoT and Smart Everything environments. First, a taxonomy is defined that enables the homogeneous definition of data from multiple IoT domains, providing a set of extensible common attributes that can adapt to specific requirements without losing semantic coherence. Based on this taxonomy, a JSON-based data structure is designed to facilitate the structured exchange of information among different IoT domains. Building on this taxonomy and data structure, a software architecture is proposed that integrates messaging brokers, real-time processing through Complex Event Processing (CEP), and storage and notification systems. This architecture enables the integration and correlation of simple events from different domains to detect situations of interest in real time, thereby improving contextualisation in multi-domain environments. However, it is not possible to define contextualised actions exclusively at the CEP engine level. Moreover, CEP engines can become complex and difficult to maintain as the number of CEP patterns and situations of interest to be detected increases. To overcome this limitation, the thesis incorporates Business Process Management (BPM) as a complementary mechanism within the proposed software architecture for the definition and management of contextualised actions, as well as for the definition of the CEP pattern logic and their real-time updates. This integration improves the maintainability, adaptability and usability of the system, facilitating its evolution in response to changes in context or domain requirements. The feasibility and usefulness of the proposal are validated through the implementation of the software architecture and the development of representative case studies, together with performance and usability evaluations. The results obtained demonstrate that the solution enables the integration of data from heterogeneous domains, improves information contextualisation, and manages intelligent actions in a more scalable and maintainable way when handling an increasing number of situations of interest compared with traditional solutions based on isolated domains. In summary, this thesis presents a proposal that combines a multi-domain taxonomy, a CEP-based software architecture, and BPM integration for the management of contextualised actions in collaborative IoT and Smart Everything environments.; El crecimiento exponencial del Internet de las Cosas (IoT) y la proliferación de aplicaciones Smart Everything han impulsado el desarrollo de entornos inteligentes capaces de monitorizar, procesar y reaccionar ante grandes volúmenes de datos en tiempo real. Sin embargo, la mayoría de las soluciones actuales continúan operando de forma aislada dentro de un único dominio de aplicación, lo que limita la contextualización de la información, perdiendo una gran oportunidad de mejorar la contextualización al descartar datos de dominios sin una aparente relación. Además, la ausencia de un criterio común para definir y estructurar los datos generados en distintos dominios dificulta su integración y correlación. Esta tesis doctoral aborda estas limitaciones proponiendo una arquitectura software orientada a mejorar la contextualización mediante la detección de situaciones de interés y su gestión mediante acciones contextualizadas en entornos Smart Everything del IoT colaborativo. En primer lugar, se define una taxonomía que permite definir de forma homogénea los datos procedentes de múltiples dominios IoT, proporcionando un conjunto de atributos comunes extensibles que permiten adaptarse a requisitos específicos sin perder coherencia semántica. A partir de esta taxonomía, se diseña una estructura de datos basada en JSON que facilita el intercambio estructurado de información entre diferentes dominios del IoT. Sobre esta taxonomía y estructura de datos, se propone una arquitectura software que integra brókeres de mensajería, procesamiento en tiempo real mediante Procesamiento de Eventos Complejos (CEP) y sistemas de almacenamiento y notificación. Esta arquitectura permite la integración y correlación de eventos simples procedentes de distintos dominios para la detección de situaciones de interés en tiempo real, permitiendo mejorar la contextualización en entornos multidominio. No obstante, no es posible definir las acciones contextualizadas exclusivamente a nivel del motor CEP. Además los motores CEP pueden ser sistemas complejos y difíciles de mantener cuando aumenta el número de patrones CEP y situaciones de interés a detectar. Para superar esta limitación, la tesis incorpora Business Process Management (BPM) como mecanismo complementario en la arquitectura software propuesta para la definición y gestión de acciones contextualizadas, así como para la definición de la lógica de los patrones CEP y de sus actualizaciones en tiempo real. Esta integración mejora la mantenibilidad, adaptabilidad y usabilidad del sistema, facilitando la adaptación del sistema ante cambios en el contexto o en los requisitos del dominio. La viabilidad y utilidad de la propuesta se validan mediante la implementación de la arquitectura software y el desarrollo de casos de estudio representativos, junto con evaluaciones de rendimiento y usabilidad. Los resultados obtenidos demuestran que la solución permite integrar datos de dominios heterogéneos, mejorar la contextualización de la información y gestionar acciones inteligentes de forma más escalable y mantenible que las soluciones tradicionales basadas en dominios aislados. En síntesis, esta tesis presenta una propuesta que combina una taxonomía multidominio, una arquitectura software basada en CEP y la integración de BPM para la gestión de acciones contextualizadas en entornos IoT colaborativos y Smart Everything Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/39860 2026-01-01T00:00:00Z http://hdl.handle.net/10498/39800 Análisis en Tiempo Real para el Internet Industrial de las Cosas Zouai, Meftah The rapid expansion of the Industrial Internet of Things (IIoT) has led to the largescale deployment of interconnected sensors, machines, and cyber-physical systems capable of generating continuous streams of heterogeneous data. While this transformation enables intelligent automation, predictive maintenance, and data-driven optimization, traditional centralized cloud-based architectures are unable to satisfy the strict latency, scalability, and contextual-awareness requirements of modern Industry 4.0 environments. Addressing these challenges requires distributed, adaptive, and real-time data processing mechanisms capable of operating across multiple computational layers. This doctoral research proposes a context- and situational-aware collaborative architecture for real-time heterogeneous data processing in IIoT ecosystems. The primary contribution is the design and implementation of Atmosphere, a unified edge–fog–cloud framework that integrates multi-agent systems, Complex Event Processing (CEP), and Event-Driven Service-Oriented Architecture (ED-SOA). In the edge layer, autonomous software agents perform local filtering, rule-based reasoning, and immediate decision-making, reducing communication overhead and latency. The fog layer incorporates MQTT-based messaging and CEP engines to aggregate, correlate, and analyze distributed event streams in near real-time, enabling coordinated responses among heterogeneous nodes. The cloud layer provides large-scale analytics, long-term knowledge extraction, global orchestration, and strategic optimization. The architecture ensures bidirectional communication, interoperability, and dynamic adaptation based on contextual information. The second contribution validates the proposed architecture through the design and development of an IoT-based, solar-powered camouflaged robotic system inspired by the Fennec desert fox. The robotic platform operates as an intelligent edge node capable of autonomous data acquisition, context-aware decision-making, and energy-efficient operation in harsh and isolated environments. Experimental evaluations demonstrate improved responsiveness, scalability, and operational efficiency compared to traditional centralized monitoring approaches. Overall, this research advances the state of the art in real-time IIoT analytics by delivering a scalable, distributed, and context-aware framework that bridges heterogeneous data sources, intelligent coordination mechanisms, and practical deployment. The proposed solutions contribute to the realization of resilient, adaptive, and intelligent industrial ecosystems aligned with the principles of Industry 4.0.; La rápida expansión del Internet Industrial de las Cosas (IIoT) ha impulsado el despliegue masivo de sensores, máquinas y sistemas ciberfísicos interconectados capaces de generar flujos continuos de datos heterogéneos. Aunque esta transformación permite la automatización inteligente, el mantenimiento predictivo y la optimización basada en datos, las arquitecturas tradicionales centralizadas en la nube no satisfacen los estrictos requisitos de baja latencia, escalabilidad y conciencia contextual exigidos por los entornos modernos de Industria 4.0. Afrontar estos desafíos requiere mecanismos de procesamiento distribuido, adaptativo y en tiempo real que operen a través de múltiples capas computacionales. Esta investigación doctoral propone una arquitectura colaborativa, consciente del contexto y de la situación, para el procesamiento heterogéneo de datos en tiempo real en ecosistemas IIoT. La principal contribución es el diseño e implementación de Atmosphere, un marco unificado edge–fog–cloud que integra sistemas multiagente, Procesamiento de Eventos Complejos (CEP) y Arquitectura Orientada a Servicios basada en Eventos (ED-SOA). En la capa edge, agentes software autónomos realizan filtrado local, razonamiento basado en reglas y toma de decisiones inmediata, reduciendo la sobrecarga de comunicación y la latencia. La capa fog incorpora mensajería basada en MQTT y motores CEP para agregar, correlacionar y analizar flujos de eventos distribuidos en tiempo casi real, permitiendo respuestas coordinadas entre nodos heterogéneos. La capa cloud proporciona analítica a gran escala, extracción de conocimiento a largo plazo, orquestación global y optimización estratégica. La arquitectura garantiza comunicación bidireccional, interoperabilidad y adaptación dinámica basada en información contextual. La segunda contribución valida la arquitectura propuesta mediante el diseño y desarrollo de un sistema robótico camuflado, alimentado por energía solar y basado en IoT, inspirado en el zorro del desierto Fennec. La plataforma robótica actúa como un nodo inteligente en la capa edge, capaz de adquisición autónoma de datos, toma de decisiones consciente del contexto y operación energéticamente eficiente en entornos hostiles y aislados. Las evaluaciones experimentales demuestran mejoras en capacidad de respuesta, escalabilidad y eficiencia operativa en comparación con enfoques tradicionales de monitorización centralizada. En conjunto, esta investigación avanza el estado del arte en analítica en tiempo real para IIoT al ofrecer un marco escalable, distribuido y consciente del contexto que integra fuentes de datos heterogéneas, mecanismos de coordinación inteligente y validación práctica. Las soluciones propuestas contribuyen al desarrollo de ecosistemas industriales resilientes, adaptativos e inteligentes alineados con los principios de la Industria 4.0. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/39800 2026-01-01T00:00:00Z http://hdl.handle.net/10498/39668 Sistema automático de gestión de ciberataques Gutiérrez Galeano, Leopoldo Jesús Actualmente, todo usuario de un equipo informático debe tener en cuenta que cualquier equipo conectado a una red es vulnerable. Este problema no es nuevo, ya que existe desde que se diseñó Internet. Cuando se crearon los protocolos de comunicación en los años 70, el objetivo era compartir recursos en un entorno de confianza, no la seguridad. Sin embargo, con la expansión global de Internet y su uso comercial, esa falta de seguridad se ha convertido en un enorme problema. Las herramientas que se suelen utilizar para la protección de equipos informáticos, tales como antivirus basados en firmas o cortafuegos, han demostrado no ser suficientes. De hecho, siempre van un paso por detrás de los atacantes. Hoy en día, las amenazas son tan sofisticadas y rápidas que la intervención humana ya no es suficiente para contenerlas. Por ello, el uso de la inteligencia artificial (AI) se ha convertido en una técnica imprescindible para analizar el tráfico de red y gestionar los ataques de forma automática. Esta tesis doctoral surge de la necesidad de superar las limitaciones de las herramientas actuales. Se han podido identificar tres problemas principales: la escasez de datos de calidad para investigar, la necesidad de detectar ataques con mayor precisión, minimizando falsas alarmas, y la identificación de ataques desconocidos. Para solucionar esto, en esta tesis doctoral se ha diseñado un sistema de gestión de ciberataques dividido en tres partes: - Generación de datos: el primer problema encontrado para entrenar un modelo de AI es que los conjuntos de datos públicos suelen estar obsoletos o mal etiquetados. Para resolverlo, se ha creado un sistema que genera datos a medida. En lugar de generar datos sintéticos, se ha diseñado una solución que despliega una red utilizando la herramienta Docker. Esto permite simular ataques en un entorno controlado, capturar el tráfico, transformarlo en estadísticas de flujos de red y etiquetarlo automáticamente. Así se consiguen datos de alta calidad y perfectamente etiquetados, sabiendo perfectamente qué es tráfico normal y qué es un ataque. - Detección de ciberataques: este sistema se ha diseñado mediante la adaptación de un modelo extenso de lenguaje (LLM), concretamente T5, a una tarea de detección de ataques. Esto ha sido una idea novedosa. Partiendo de la premisa de que, si los LLM entienden el lenguaje humano, también pueden entender el tráfico de red, se transforman los datos numéricos de las estadísticas de flujos de red en frases de texto que el modelo puede procesar. Los resultados han sido prometedores. Tras una etapa de ajuste, el sistema fue capaz de distinguir el tráfico normal del malicioso e incluso especificar el tipo de ataque exacto. Se utilizaron los conjuntos de datos CIC-IDS-2017, CSE-CIC-IDS2018 y BCCC-CIC-IDS-2017, elegidos por ser los más empleados en los estudios disponibles en la literatura y porque contienen los tipos de ataques más modernos y populares. Para todas las métricas de evaluación (tasa de acierto, precisión, sensibilidad y valor-F ), los resultados superaron el 99,94 % para el primer conjunto de datos, 99,84 % para el segundo y 99,9 % para el tercero. - Predicción de ciberataques desconocidos: finalmente, se aborda el problema de predecir ataques que nunca han sido vistos por el modelo. Se ha diseñado una serie de experimentos para probar si el modelo podía detectar un tipo de ataque que nunca había visto durante su entrenamiento. Aquí se descubrió algo muy interesante sobre el uso del timestamp, ya que se pudo demostrar que eliminar el timestamp mejora los resultados. Al quitar la información temporal, se obliga al modelo a centrarse solo en los valores estadísticos que representan un ataque. Esto hace que el sistema sea capaz de generalizar mejor ante amenazas desconocidas. Por lo tanto, con esta tesis doctoral se presenta una solución que se encarga desde la generación automática de datos fiables hasta un sistema de detección y predicción. Los resultados confirman que adaptar los LLM al análisis de red es una estrategia viable y muy eficaz para utilizarlo como protección en un entorno cada vez más preocupante y cambiante.; Currently, every computer user must keep in mind that any equipment connected to a network is vulnerable. This problem is not new, as it has existed since the Internet was designed. When communication protocols were created in the 70s, the objective was resource sharing in a trusted environment, not security. However, with the global expansion of the Internet and its commercial use, that lack of security has become a significant problem. The tools usually used for the protection of computer equipment, such as signaturebased antivirus or firewalls, have proven to be insufficient. In fact, they are always one step behind attackers. Today, threats are so sophisticated and fast that human intervention is no longer sufficient to contain them. For this reason, the use of Artificial Intelligence (AI) has become an essential technique to analyse network traffic and manage attacks automatically. This PhD thesis arises from the need to overcome the limitations of current tools. Three main problems have been identified: the scarcity of quality data for research, the need to detect attacks with greater precision while minimising false alarms, and the identification of unknown attacks. To solve this, a cyberattack management system divided into three parts has been designed in this PhD thesis: Data generation: The first problem found in training an AI model is that public datasets are usually obsolete or poorly labelled. To resolve this, a system that generates custom data has been created. Instead of generating synthetic data, a solution has been designed that deploys a network using the Docker tool. This allows for simulating attacks in a controlled environment, capturing traffic, transforming it into network flow statistics, and labelling it automatically. Thus, high-quality and perfectly labelled data are achieved, with a clear understanding of what constitutes normal traffic and what is an attack. Cyberattack detection: This system has been designed by adapting a Large Language Model (LLM), specifically T5, to an attack detection task. This has been a novel idea. Starting from the premise that if LLMs understand human language, they can also understand network traffic, numerical data from network flow statistics are transformed into text sentences that the model can process. The results have been promising. After a fine-tuning stage, the system was able to distinguish normal from malicious traffic and even specify the exact type of attack. The CIC-IDS-2017, CSE-CIC-IDS2018, and BCCC-CIC-IDS-2017 datasets were used, chosen for being the most employed in studies available in the literature and because they contain the most modern and popular attack types. For all evaluation metrics (accuracy, precision, recall, and F-score), the results exceeded 99.94% for the first dataset, 99.84% for the second, and 99.9% for the third. Unknown cyberattack prediction: Finally, the problem of predicting attacks that have never been seen by the model is addressed. A series of experiments has been designed to test whether the model could detect a type of attack it had never seen during its training. Here, something very interesting was discovered regarding the use of the timestamp, as it could be demonstrated that eliminating the timestamp improves results. By removing temporal information, the model is forced to focus only on the statistical values that represent an attack. This makes the system capable of generalising better against unknown threats. Therefore, with this PhD thesis, a solution is presented that handles everything from the automatic generation of reliable data to a detection and prediction system. The results confirm that adapting LLMs to network analysis is a viable and very effective strategy to use as protection in an increasingly worrying and changing environment. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/39668 2026-01-01T00:00:00Z http://hdl.handle.net/10498/39665 Machine learning y deep learning en la utilización eficiente de la tecnología hiperespectral para la detección automática de aguas contaminadas en áreas locales Carrasco García, María Gema Los vertidos de hidrocarburo en medios hídricos constituyen un problema medioambiental con implicaciones directas sobre los ecosistemas, la salud humana y la economía azul. Esta problemática adquiere especial relevancia en entornos costeros y portuarios, donde los derrames de pequeña extensión son frecuentes, a menudo poco documentados y pueden producir un impacto acumulado significativo. En este contexto, esta tesis desarrolla y valida, bajo condiciones controladas, un marco metodológico para la detección y clasificación automática de contaminación por hidrocarburos en agua mediante tecnología hiperespectral de alta resolución espacial integrada con modelos de machine learning (ML) y deep learning (DL), orientado a avanzar hacia un sistema de monitorización local basado en sensores de imagen hiperespectral (HSI – Hyperspectral Imaging) integrados en plataformas aéreas no tripuladas (UAV – Unmanned Aerial Vehicle), capaz de detectar en tiempo real vertidos en fase temprana o de pequeñas dimensiones, contribuyendo a minimizar sus efectos y a apoyar la depuración de responsabilidades. La investigación aborda el problema desde dos enfoques complementarios: (i) un enfoque clásico que combina firmas hiperespectrales y ML, y (ii) un enfoque profundo que combina hiperimágenes y DL, analizando de forma sistemática decisiones de diseño críticas, como la gestión de la dimensionalidad espectral, la arquitectura y los hiperparámetros, y el efecto de la disponibilidad de datos en el rendimiento y la estabilidad del aprendizaje. Los resultados muestran que el enfoque clásico, apoyado en análisis de componentes principales PCA (PCA – Principal Component Analysis) o shallow autoencoders (AE), permite concentrar la información discriminativa en representaciones compactas y alcanzar métricas elevadas con clasificadores de baja complejidad, como árboles de decisión (DT – Decision Tree) o redes neuronales artificiales poco profundas (ANN – Artificial Neural Network), ofreciendo además ventajas de eficiencia y extensibilidad mediante bibliotecas de firmas. En paralelo, el enfoque profundo confirma la capacidad de las redes neuronales convolucionales (CNN – Convolutional Neural Network) para explotar la relación espacio–espectral del hipercubo y mantener rendimientos sobresalientes incluso ante señales sutiles o de baja concentración. Asimismo, se evidencia que estrategias explícitas para tratar la dimensión espectral, ya sea mediante reducción previa con PCA, PCA-3DCNN, o mediante arquitecturas híbridas en las que el modelado espectral se lleve a cabo en un bloque recurrente tipo redes de memoria a corto-largo plazo (LSTM – Long Short-Term Memory), 2DCNN-LSTM, permiten controlar la complejidad, mejorar la eficiencia computacional y aumentar la estabilidad en regímenes de datos limitados. En conjunto, la tesis aporta evidencia de viabilidad, criterios de diseño y una base sólida para evolucionar hacia sistemas de monitorización local más robustos y automatizables.; Oil spills in aquatic environments are an environmental problem with direct implications for ecosystems, human health, and the blue economy. This issue is particularly relevant in coastal and port environments, where small-scale spills are frequent, often poorly documented, and can have a significant cumulative impact. In this context, this thesis develops and validates, under controlled conditions, a methodological framework for the automatic detection and classification of oil pollution in water using high spatial resolution hyperspectral technology combined with machine learning (ML) and deep learning (DL) models, with the aim of advancing towards a local monitoring system based on hyperspectral imaging (HSI) sensors integrated into unmanned aerial vehicles (UAVs), capable of detecting spills in real time at an early stage or when they are of small dimensions, helping to minimise their effects and clarify responsibilities. The research addresses the problem from two complementary approaches: (i) a classical approach combining hyperspectral signatures and ML, and (ii) a deep approach combining hyperimages and DL, systematically analysing critical design decisions such as spectral dimensionality management, architecture, and hyperparameters, and the effect of data availability on learning performance and stability. The results show that the classical approach, based on principal component analysis (PCA) or shallow autoencoders (AE), allows discriminative information to be concentrated into compact representations and high metrics to be achieved with low-complexity classifiers, such as decision trees (DT) or shallow artificial neural networks (ANN), while also offering advantages in terms of efficiency and extensibility through signature libraries. At the same time, the deep approach confirms the ability of convolutional neural networks (CNN) to exploit the space-spectral relationship of the hypercube and maintain outstanding performance even in the face of subtle or low-concentration signals. Similarly, it is clear that explicit strategies for dealing with the spectral dimension, whether through prior reduction with PCA, PCA3DCNN, or through hybrid architectures in which spectral modelling is performed in a recurrent block, such as LSTM, 2DCNN-LSTM, allow complexity to be controlled, computational efficiency to be improved, and stability to be increased in limited data regimes. Overall, the thesis provides proof of concept, design criteria, and a solid foundation for evolving towards more robust and automatable local monitoring systems. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10498/39665 2026-01-01T00:00:00Z