COMPARACION DE REDES NEURONALES PARA LA DETECCION DE INTRUSOS EN REDES

Simple item page
dc.contributor.authorDE LOS RIOS ALIAGA MIJAELHA
dc.date.accessioned2024-10-24T20:53:55Z
dc.date.available2024-10-24T20:53:55Z
dc.date.issued2024-01-01
dc.description.abstractLa detección de intrusos en redes mediante técnicas basadas en anomalías enfrenta el desafío de un alto índice de falsos positivos en comparación con los métodos basados en firmas, lo que genera alertas innecesarias. Esta investigación se centra en el modelado y comparación de tres tipos de redes neuronales: convolucionales (CNN), recurrentes (RNN) y híbridas (CNN-RNN), evaluando su precisión en la detección de amenazas específicas como DoS, escaneo de puertos y suplantación de ARP. Para ello, se utilizaron capturas de tráfico de red obtenidas con Wireshark y un conjunto de datos que incluye características de amenazas replicadas en entornos virtuales. El entrenamiento de los modelos siguió la metodología del ciclo de vida del aprendizaje automático, evaluando su rendimiento a través de matrices de confusión y métricas como precisión, exactitud y exhaustividad. Se aplicó un análisis de varianza factorial para determinar diferencias significativas entre los modelos, complementado con pruebas de t de Student, lo que confirmó que todos los modelos alcanzan una alta precisión superior al 95%. Las conclusiones revelan que las tres arquitecturas neuronales analizadas presentan efectividades comparables en la detección de amenazas, con resultados prometedores que podrían mejorar la seguridad en redes.
dc.identifier.other378.225 D36C
dc.identifier.urihttp://192.168.0.17:4000/handle/123456789/677
dc.language.isoes
dc.publisherUNIVERSIDAD LA SALLE - Tutor: Kevin Marlon Soza Mamani
dc.titleCOMPARACION DE REDES NEURONALES PARA LA DETECCION DE INTRUSOS EN REDES
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
.COMPARACION DE REDES NEURONALES PARA LA DETECCION DE INTRUSOS EN REDES-DE LOS RIOS ALIAGA MIJAELHA.pdf
Size:
4.49 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Tesis de grado