Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning
El aumento de los accesos no autorizados que presentan los sistemas informáticos es generado por programas maliciosos y en los últimos años en Ecuador, se han presentado violaciones a la seguridad de las redes corporativas, siendo el ciberataque más común ransomware, por lo que se plantea mejoras a...
Saved in:
| Main Authors: | , , , , |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universidad de las Ciencias Informáticas (UCI)
2022-12-01
|
| Series: | Serie Científica de la Universidad de las Ciencias Informáticas |
| Subjects: | |
| Online Access: | http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1234 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850161402946256896 |
|---|---|
| author | Alfonso A Guijarro-Rodríguez Gladys C. Jácome-Morales Viviana Gonzalez-Mestanza Elein Terán-Zurita Dennisse E. Torres-Martínez |
| author_facet | Alfonso A Guijarro-Rodríguez Gladys C. Jácome-Morales Viviana Gonzalez-Mestanza Elein Terán-Zurita Dennisse E. Torres-Martínez |
| author_sort | Alfonso A Guijarro-Rodríguez |
| collection | DOAJ |
| description |
El aumento de los accesos no autorizados que presentan los sistemas informáticos es generado por programas maliciosos y en los últimos años en Ecuador, se han presentado violaciones a la seguridad de las redes corporativas, siendo el ciberataque más común ransomware, por lo que se plantea mejoras a las prácticas de seguridad aplicadas a las redes empleando algoritmos de inteligencia artificial para predecir y mitigar estas amenazas. En este estudio se propone diseñar un modelo de seguridad para detectar las amenazas en una red corporativa con el uso de algoritmos de machine learning. Para esto se realizó una revisión de la literatura en revistas científicas y libros para detallar los conceptos relacionados a la ciberseguridad en ambientes empresariales, además se utilizó la metodología CRISP-DM para la elaboración del modelo computacional, el cual consta de cinco fases, comprensión del negocio, comprensión de datos, preparación de datos, modelado y evaluación. Al finalizar el trabajo el modelo considera que el algoritmo de Random Forest presenta un mayor porcentaje en precisión comparado con otros algoritmos planteados en este estudio, logrando un valor de rendimiento del 99,74%. Por lo cual se concluye que es factible detectar anomalías de seguridad del tráfico de una red corporativa con el uso de algoritmos de machine learning.
|
| format | Article |
| id | doaj-art-5217dd2b6ea844ec911469e94567fa89 |
| institution | OA Journals |
| issn | 2306-2495 |
| language | Spanish |
| publishDate | 2022-12-01 |
| publisher | Universidad de las Ciencias Informáticas (UCI) |
| record_format | Article |
| series | Serie Científica de la Universidad de las Ciencias Informáticas |
| spelling | doaj-art-5217dd2b6ea844ec911469e94567fa892025-08-20T02:22:50ZspaUniversidad de las Ciencias Informáticas (UCI)Serie Científica de la Universidad de las Ciencias Informáticas2306-24952022-12-011512Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learningAlfonso A Guijarro-RodríguezGladys C. Jácome-MoralesViviana Gonzalez-MestanzaElein Terán-ZuritaDennisse E. Torres-Martínez El aumento de los accesos no autorizados que presentan los sistemas informáticos es generado por programas maliciosos y en los últimos años en Ecuador, se han presentado violaciones a la seguridad de las redes corporativas, siendo el ciberataque más común ransomware, por lo que se plantea mejoras a las prácticas de seguridad aplicadas a las redes empleando algoritmos de inteligencia artificial para predecir y mitigar estas amenazas. En este estudio se propone diseñar un modelo de seguridad para detectar las amenazas en una red corporativa con el uso de algoritmos de machine learning. Para esto se realizó una revisión de la literatura en revistas científicas y libros para detallar los conceptos relacionados a la ciberseguridad en ambientes empresariales, además se utilizó la metodología CRISP-DM para la elaboración del modelo computacional, el cual consta de cinco fases, comprensión del negocio, comprensión de datos, preparación de datos, modelado y evaluación. Al finalizar el trabajo el modelo considera que el algoritmo de Random Forest presenta un mayor porcentaje en precisión comparado con otros algoritmos planteados en este estudio, logrando un valor de rendimiento del 99,74%. Por lo cual se concluye que es factible detectar anomalías de seguridad del tráfico de una red corporativa con el uso de algoritmos de machine learning. http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1234algoritmos, aprendizaje automático, CRISP-DM, detección, tráfico de red. |
| spellingShingle | Alfonso A Guijarro-Rodríguez Gladys C. Jácome-Morales Viviana Gonzalez-Mestanza Elein Terán-Zurita Dennisse E. Torres-Martínez Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning Serie Científica de la Universidad de las Ciencias Informáticas algoritmos, aprendizaje automático, CRISP-DM, detección, tráfico de red. |
| title | Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| title_full | Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| title_fullStr | Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| title_full_unstemmed | Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| title_short | Detección de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| title_sort | deteccion de amenazas de seguridad en una red corporativa utilizando algoritmos de machine learning |
| topic | algoritmos, aprendizaje automático, CRISP-DM, detección, tráfico de red. |
| url | http://localhost/Serie%20cientifica/ojs/index.php/serie/article/view/1234 |
| work_keys_str_mv | AT alfonsoaguijarrorodriguez detecciondeamenazasdeseguridadenunaredcorporativautilizandoalgoritmosdemachinelearning AT gladyscjacomemorales detecciondeamenazasdeseguridadenunaredcorporativautilizandoalgoritmosdemachinelearning AT vivianagonzalezmestanza detecciondeamenazasdeseguridadenunaredcorporativautilizandoalgoritmosdemachinelearning AT eleinteranzurita detecciondeamenazasdeseguridadenunaredcorporativautilizandoalgoritmosdemachinelearning AT dennisseetorresmartinez detecciondeamenazasdeseguridadenunaredcorporativautilizandoalgoritmosdemachinelearning |