El uso de técnicas de aprendizaje automático es muy frecuente para la detección y prevención de ciberataques. Sin embargo, se suele suponer una distribución de datos estacionaria, lo cual no es realista. Estos modelos cuentan con deriva conceptual, lo cual compromete su eficacia con datos nuevos.
En este trabajo se plantea el uso de técnicas de aprendizaje transferido (rama del aprendizaje automático) para contrarrestar la degradación producida en los modelos por esta deriva conceptual en problemas de clasificación multiclase para grados de maliciosita en IPs, permitiendo aprovechar datos de un conjunto fuente para mejorar su aprendizaje y capacidad predictiva.
