Detección de ataques maliciosos con aprendizaje automatizado
Año a año nuestras vidas dependen cada vez más de la tecnología, y de estar conectados a través de Internet. Progresivamente más y más objetos se conectan a Internet para facilitarnos diferentes funcionalidades. Celulares, autos, heladeras, cuentas bancarias, luces, casas, cámaras, televisores, etc....
Guardado en:
Autor principal: | |
---|---|
Otros Autores: | |
Formato: | bachelorThesis Tésis de Grado acceptedVersion |
Lenguaje: | Español |
Publicado: |
2023
|
Materias: | |
Acceso en línea: | http://hdl.handle.net/2133/26030 http://hdl.handle.net/2133/26030 |
Aporte de: |
id |
I15-R121-2133-26030 |
---|---|
record_format |
dspace |
spelling |
I15-R121-2133-260302023-07-03T19:58:55Z Detección de ataques maliciosos con aprendizaje automatizado Perrone, Gustavo Andrés Grieco, Gustavo Grinblat, Guillermo detección ataques maliciosos aprendizaje automatizado ciberseguridad Año a año nuestras vidas dependen cada vez más de la tecnología, y de estar conectados a través de Internet. Progresivamente más y más objetos se conectan a Internet para facilitarnos diferentes funcionalidades. Celulares, autos, heladeras, cuentas bancarias, luces, casas, cámaras, televisores, etc. Estas conexiones nos brindan muchas ventajas y facilidades, pero a su vez aumentan la vulnerabilidad frente a ataques cibernéticos maliciosos. Estos pueden hacer caer sistemas, causar perdidas de datos, robar información privada, mover dinero, y muchos otros problemas. En los últimos años han surgido nuevos ataques sofisticado, persistentes y con objetivos concretos. Estas nuevas amenazas son denominadas Advanced Persistent Threats (Amenazas Persistentes y Avanzadas), también llamados APT. Estos ataques pueden perseguir objetivos económicos (espionaje), militares (búsquedas de debilidades, revelación de información), técnicos (credenciales, código fuente) o políticos (provocar desestabilización o desorganización, debilitar misiones diplomáticas). En vista de esta situación, y con el propósito de detectar y protegerse de estos ataques, ya no alcanza con programas tales como sistemas de detección de intrusos o antivirus que utilizan sistemas de reglas para detectar amenazas conocidas, si no que es necesario intentar prever lo desconocido. Día a día se investigan nuevas formas de detectar y prevenir amenazas en la red, generalmente utilizando técnicas de Aprendizaje Automatizado. Desgraciadamente, la detección de estos ataques altamente dirigidos requiere de grandes cantidades de datos que no están disponibles públicamente. Es por eso que esta tesina se centra en la detección de tráfico malicioso más general. Pero ¿qué técnicas son realmente efectivas en la práctica?, ¿son realmente implementables?, ¿qué se necesita para utilizarlas con éxito? En este trabajo muestro los resultados de investigar, probar y analizar varios de los algoritmos publicados, comprobando si son realmente aptos para utilizarse en situaciones reales. Universidad Nacional de Rosario. Facultad de Ciencias Exactas, Ingeniería y Agrimensura.Departamento de Ciencias de la Computación 2023-07-03T19:58:55Z 2023-07-03T19:58:55Z 2018-07 2023-07-03T19:58:55Z 2023-07-03T19:58:55Z 2018-07 bachelorThesis Tésis de Grado acceptedVersion http://hdl.handle.net/2133/26030 http://hdl.handle.net/2133/26030 spa http://creativecommons.org/licenses/by/2.5/ar/ Perrone, Gustavo Andrés Atribución – No Comercial – Compartir Igual (by-nc-sa): No se permite un uso comercial de la obra original ni de las posibles obras derivadas, la distribución de las cuales se debe hacer con una licencia igual a la que regula la obra original. openAccess application/pdf |
institution |
Universidad Nacional de Rosario |
institution_str |
I-15 |
repository_str |
R-121 |
collection |
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) |
language |
Español |
topic |
detección ataques maliciosos aprendizaje automatizado ciberseguridad |
spellingShingle |
detección ataques maliciosos aprendizaje automatizado ciberseguridad Perrone, Gustavo Andrés Detección de ataques maliciosos con aprendizaje automatizado |
topic_facet |
detección ataques maliciosos aprendizaje automatizado ciberseguridad |
description |
Año a año nuestras vidas dependen cada vez más de la tecnología, y de estar conectados a través de Internet. Progresivamente más y más objetos se conectan a Internet para facilitarnos diferentes funcionalidades. Celulares, autos, heladeras, cuentas bancarias, luces, casas, cámaras, televisores, etc. Estas conexiones nos brindan muchas ventajas y facilidades, pero a su vez aumentan la vulnerabilidad frente a ataques cibernéticos maliciosos. Estos pueden hacer caer sistemas, causar perdidas de datos, robar información privada, mover dinero, y muchos otros problemas.
En los últimos años han surgido nuevos ataques sofisticado, persistentes y con objetivos concretos. Estas nuevas amenazas son denominadas Advanced Persistent Threats (Amenazas Persistentes y Avanzadas), también llamados APT. Estos ataques pueden perseguir objetivos económicos (espionaje), militares (búsquedas de debilidades, revelación de información), técnicos (credenciales, código fuente) o políticos (provocar desestabilización o desorganización, debilitar misiones diplomáticas).
En vista de esta situación, y con el propósito de detectar y protegerse de estos ataques, ya no alcanza con programas tales como sistemas de detección de intrusos o antivirus que utilizan sistemas de reglas para detectar amenazas conocidas, si no que es necesario intentar prever lo desconocido. Día a día se investigan nuevas formas de detectar y prevenir amenazas en la red, generalmente utilizando técnicas de Aprendizaje Automatizado.
Desgraciadamente, la detección de estos ataques altamente dirigidos requiere de grandes cantidades de datos que no están disponibles públicamente. Es por eso que esta tesina se centra en la detección de tráfico malicioso más general. Pero ¿qué técnicas son realmente efectivas en la práctica?, ¿son realmente
implementables?, ¿qué se necesita para utilizarlas con éxito?
En este trabajo muestro los resultados de investigar, probar y analizar varios
de los algoritmos publicados, comprobando si son realmente aptos para utilizarse
en situaciones reales. |
author2 |
Grieco, Gustavo |
author_facet |
Grieco, Gustavo Perrone, Gustavo Andrés |
format |
bachelorThesis Tésis de Grado acceptedVersion |
author |
Perrone, Gustavo Andrés |
author_sort |
Perrone, Gustavo Andrés |
title |
Detección de ataques maliciosos con aprendizaje automatizado |
title_short |
Detección de ataques maliciosos con aprendizaje automatizado |
title_full |
Detección de ataques maliciosos con aprendizaje automatizado |
title_fullStr |
Detección de ataques maliciosos con aprendizaje automatizado |
title_full_unstemmed |
Detección de ataques maliciosos con aprendizaje automatizado |
title_sort |
detección de ataques maliciosos con aprendizaje automatizado |
publishDate |
2023 |
url |
http://hdl.handle.net/2133/26030 http://hdl.handle.net/2133/26030 |
work_keys_str_mv |
AT perronegustavoandres detecciondeataquesmaliciososconaprendizajeautomatizado |
_version_ |
1770714000611344384 |