Desarrollo de un modelo de detección de URLs maliciosos usando aprendizaje automático supervisado

dc.contributor.advisorLara Petitdemange, Adrián
dc.creatorCersosimo Morales, Michelle Marie
dc.date.accessioned2023-03-31T18:36:11Z
dc.date.available2023-03-31T18:36:11Z
dc.date.issued2023
dc.description.abstractLa distribución de ataques cibernéticos mediante protocolos web ha sido una manera, para sus actores, de evadir detección y filtrado de red al camuflarse entre la cantidad de tráfico legítimo existente [1]. A pesar de la gran cantidad de sitios que son bloqueados diariamente, los atacantes siguen mejorando sus técnicas de evasión, por lo que se han realizado esfuerzos para mejorar el filtrado y bloqueo de estos ataques usando técnicas de aprendizaje automático. Los modelos de predicción basados en aprendizaje automático han ayudado a mejorar la capacidad de detección de los sistemas de monitoreo y presentan una alternativa de mayor escalabilidad, comparado a las tecnologías de bloqueo basadas en listas negras [10]. Estos modelos requieren una correcta caracterización del conjunto de datos para poder diferenciar un comportamiento de otro y su selección puede influir en los resultados de la predicción. En este trabajo se usa caracterización léxica para la construcción de un clasificador que pueda detectar los principales tipos de URL de alto riesgo incluyendo malware, phishing, spam y botnet usando aprendizaje automático supervisado. Nuestros resultados mostraron que estas características otorgan flexibilidad a la etapa de implementación y logran obtener buenos resultados en su exactitud sin depender de características basadas en la observación de cambios en el tiempo.es_ES
dc.description.procedenceUCR::Vicerrectoría de Investigación::Sistema de Estudios de Posgrado::Ingeniería::Maestría Profesional en Computación e Informáticaes_ES
dc.identifier.urihttps://hdl.handle.net/10669/88464
dc.language.isospaes_ES
dc.rightsacceso abierto
dc.sourceSan José, Costa Rica: Universidad de Costa Ricaes_ES
dc.subjectmachine learninges_ES
dc.subjectaprendizaje automaticoes_ES
dc.subjectseguridades_ES
dc.subjectclasificadores_ES
dc.titleDesarrollo de un modelo de detección de URLs maliciosos usando aprendizaje automático supervisadoes_ES
dc.typetesis de maestríaes_ES

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
TFIA_MichelleCersosimoMorales_sep_rev_MCLicencia_MC-AL-GB-GM-RV-EC_firmado_MR1_MR2.pdf
Tamaño:
2.52 MB
Formato:
Adobe Portable Document Format
Descripción:
TFIA

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
3.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción: