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....

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Perrone, Gustavo Andrés
Otros Autores:	Grieco, Gustavo
Formato:	bachelorThesis Tésis de Grado acceptedVersion
Lenguaje:	Español
Publicado:	2023
Materias:	detección ataques maliciosos aprendizaje automatizado ciberseguridad
Acceso en línea:	http://hdl.handle.net/2133/26030 http://hdl.handle.net/2133/26030
Aporte de:	Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario

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

Detección de ataques maliciosos con aprendizaje automatizado

Ejemplares similares