Intrusion detection in web systems using deep learning techniques / Sergio Hernán Hidalgo Espinoza ; tutor Oscar Guillermo Chang Tortolero y Francisco Ortega-Zamorano
Tipo de material: TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2019Descripción: 33 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019 Resumen: La detección de intrusiones en redes de computadoras es un tema estrechamente relacionado con ataques informáticos, convirtiéndose en uno de los asuntos más importantes a tomar en cuenta en ciberseguridad, ya que los atacantes se mantienen siempre investigando para descubrir nuevas vulnerabilidades para romper los sistemas de seguridad informática, por lo tanto dichos sistemas tienen que ser actualizados día a día utilizando las herramientas y técnicas más poderosas para realizar el trabajo de evitar daños por parte de los hackers de la manera más óptima. Partiendo de esta premisa, este trabajo de investigación se enfoca en el diseño e implementación de un sistema de detección de intrusiones basado en arquitecturas Deep Learning. Como punto de partida, una red no profunda (de tres capas) es entrenada con datos de entradas [a una red de computadoras] etiquetados, tomados de la base de datos CICIDS2017. El comportamiento interno de esta red es cuidadosamente observado y calibrado usando gráficos y explorando rutinas hasta alcanzar un pico funcional en la precisión de detección de intrusiones. Como segundo paso, un autoencoder, entrenado con una gran cantidad de datos no etiquetados, es usado como un procesador intermedio el cual suple de información comprimida y representaciones abstractas a la red no profunda original. Se prueba que esta arquitectura profunda tiene un mejor rendimiento que cualquier versión de la red no profunda en solitario. Las rutinas funcionales de código resultantes, escritas en MATLAB, representan un sistema re-entrenable que puede ser probado en tiempo real produciendo una gran precisión y respuestas inmediatas.Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
---|---|---|---|---|---|---|---|---|
Tesis | Biblioteca Yachay Tech | ECMC0004 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000002 |
Trabajo de integración curricular (Ingeniero en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, 2019
Incluye referencias bibliográficas (páginas 45-47)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
La detección de intrusiones en redes de computadoras es un tema estrechamente relacionado con ataques informáticos, convirtiéndose en uno de los asuntos más importantes a tomar en cuenta en ciberseguridad, ya que los atacantes se mantienen siempre investigando para descubrir nuevas vulnerabilidades para romper los sistemas de seguridad informática, por lo tanto dichos sistemas tienen que ser actualizados día a día utilizando las herramientas y técnicas más poderosas para realizar el trabajo de evitar daños por parte de los hackers de la manera más óptima. Partiendo de esta premisa, este trabajo de investigación se enfoca en el diseño e implementación de un sistema de detección de intrusiones basado en arquitecturas Deep Learning. Como punto de partida, una red no profunda (de tres capas) es entrenada con datos de entradas [a una red de computadoras] etiquetados, tomados de la base de datos CICIDS2017. El comportamiento interno de esta red es cuidadosamente observado y calibrado usando gráficos y explorando rutinas hasta alcanzar un pico funcional en la precisión de detección de intrusiones. Como segundo paso, un autoencoder, entrenado con una gran cantidad de datos no etiquetados, es usado como un procesador intermedio el cual suple de información comprimida y representaciones abstractas a la red no profunda original. Se prueba que esta arquitectura profunda tiene un mejor rendimiento que cualquier versión de la red no profunda en solitario. Las rutinas funcionales de código resultantes, escritas en MATLAB, representan un sistema re-entrenable que puede ser probado en tiempo real produciendo una gran precisión y respuestas inmediatas.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.