Show simple item record

dc.contributor.advisor Fabián Yovine, Sergio
dc.contributor.author Biardo Mirenda, Deborah
dc.contributor.author González Quintana, Guzmán
dc.contributor.author Lanzotti Filardi, Sabrina Leticia
dc.date.accessioned 2021-11-30T07:58:09Z
dc.date.available 2021-11-30T07:58:09Z
dc.date.issued 2020
dc.identifier.citation Biardo Mirenda, D., González Quintana, G., & Lanzotti Filardi, S. L. (2020). Análisis y desarrollo de modelos predictivos con redes neuronales para Web Application Firewall (Trabajo final). Universidad ORT Uruguay, Facultad de Ingeniería.
dc.identifier.uri http://hdl.handle.net/20.500.11968/4500
dc.description Incluye bibliografía y anexos.
dc.description.abstract Los datos manejados en las organizaciones son valiosos para la realización de múltiples investigaciones, sin embargo, poseen información personal que debe ser protegida. Por este motivo, anonimizar los datos es una tarea de vital importancia. Esto implica privatizarlos sin restarles poder informativo al momento de ser analizados. El siguiente trabajo final presenta una solución para proteger esta información personal desarrollando un modelo predictivo basado en el modelo bolsa de palabras (Bag of Words, BoW) y redes neuronales. El fin es realizar una tarea de “ciberseguridad” predictiva a partir de datos no privatizados que permita la clasificación de los identificadores de recursos uniformes (URI por sus siglas en inglés) como normales o anómalas. Se analizaron investigaciones previas referidas a esta temática utilizándose los conjuntos de datos empleados para la obtención de un conjunto de URI. A partir del conocimiento del dominio experto, se construyó una bolsa de palabras para cada “URI” que contiene la frecuencia de cada conjunto de caracteres (“keys” expertas) asociados a ataques informáticos y se añadieron caracteres adicionales al dominio experto. Se utilizó Perceptrón multicapa (MLP por sus siglas en inglés), entrenados para cada conjunto de datos por separado y luego para un único conjunto de datos. Para evaluar el modelo se emplearon técnicas como matriz de confusión, análisis y comparación de métricas “True Positive Rate” (TPR) y “True Negative Rate” (TNR) y curvas de aprendizaje. Se aplicaron técnicas como Frecuencia de término-Frecuencia inversa de documento (Tf-idf por sus siglas en inglés), utilizando los conjuntos de caracteres identificadas como “tokens”. Luego mediante la extracción de características se obtuvieron “tokens” en forma dinámica en modalidad de unigrama, bigrama y mixta. El mejor resultado obtenido fue con el modelo de TF-IDF: “Feature Extraction” Unigrama. Finalmente se aplicaron técnicas de métodos combinados como “stacking” y “majority voting”, pero no generaron mejores resultados que los del modelo TF-IDF: “Feature Extraction” Unigrama.
dc.format.extent 90 p. diagrs., tbls., grafs.
dc.language Español.
dc.publisher Universidad ORT Uruguay
dc.subject PROYECTOS-MD
dc.subject BIG DATA
dc.subject APRENDIZAJE AUTOMÁTICO
dc.subject SEGURIDAD DE DATOS
dc.subject REDES NEURONALES
dc.subject APRENDIZAJE PROFUNDO
dc.subject FIREWALLS
dc.subject SEGURIDAD INFORMÁTICA
dc.title Análisis y desarrollo de modelos predictivos con redes neuronales para Web Application Firewall
dc.type Trabajo final de carrera
ort.thesis.degreegrantor Facultad de Ingeniería
ort.thesis.degreelevel Master
ort.thesis.degreename Master en Big Data
ort.thesis.degreetype Trabajo final
ort.thesis.note Trabajo final (Master). Universidad ORT Uruguay, Facultad de Ingeniería
dc.contributor.tribunal Pisani Leal, Mikaela
dc.contributor.tribunal Garbarino Alberti, Helena
dc.relation.other https://sisbibliotecas.ort.edu.uy/bib/91722
ort.thesis.career FI - Master en Big Data - MD


Files in this item

This item appears in the following Collection(s)

Show simple item record