Detección y clasificación de zero-day malware a través de data mining y machine learning

Mostrar todas las versiones(2)
Detalles Bibliográficos
Autor Principal: Recordon, Augusto
Otros autores o Colaboradores: Ruiz Díaz, Silvia, Pons, Claudia Fabiana (Director/a)
Formato: Tesis
Lengua:español
Datos de publicación: 2020
Temas:
MINERÍA DE DATOS
APRENDIZAJE AUTOMÁTICO
REDES NEURONALES
SEGURIDAD INFORMÁTICA
Acceso en línea:http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2229
Consultar en el Cátalogo
Descripción Física:1 archivo (6,2 MB) : il. col.
Tabla de Contenidos:
  • Resumen
  • 1. Introducción
  • I Marco Teórico
  • 2. Visión Histórica
  • 2.1. Los riesgos inherentes de la tecnología
  • 2.2. Los Ataques Informáticos y el Ciberdelito
  • 2.3. Los avances en Inteligencia Artificial
  • 2.3.1. Gran capacidad de almacenamiento
  • 2.3.2. Alto poder de procesamiento
  • 2.3.3. Software requerido
  • 2.4. Resumen
  • 3. Conceptos de Seguridad Informática
  • 3.1. Hackers
  • 3.2. Malware
  • 3.2.1. Tipos de Malware
  • 3.3. Métodos de detección
  • 3.3.1. Análisis estático
  • 3.3.2. Análisis dinámico
  • 3.3.3. Signature-based vs behavior-based
  • 3.3.4. La necesidad de Machine Learning
  • 3.4. Resumen
  • 4. Data Mining y Tratamiento de los Datos
  • 4.1. El proceso del Data Mining
  • 4.2. Obtención de los datos
  • 4.2.1. Tipos de datos
  • 4.3. Preprocesamiento de Datos
  • 4.4. Selección e ingeniería de atributos
  • 4.4.1. Ingeniería de atributos en datos categóricos
  • 4.4.2. Normalización de atributos
  • 4.4.3. Selección de atributos
  • 4.5. Visualización de los datos
  • 4.6. Resumen
  • 5. Conceptos de Machine Learning
  • 5.1. Definición
  • 5.2. Surgimiento del Machine Learning
  • 5.3. Etapas del proceso de Machine Learning
  • 5.4. El conjunto de datos
  • 5.5. Tipos de estimación
  • 5.5.1. Predicciones
  • 5.5.2. Inferencias
  • 5.6. Métodos de estimación de f
  • 5.6.1. Método paramétrico
  • 5.6.2. Método no paramétrico
  • 5.7. El balance entre precisión e interpretabilidad
  • 5.8. Evaluación de la precisión de un modelo
  • 5.8.1. Calidad del ajuste (Quality of fit)
  • 5.8.2. Calidad de ajuste en clasificación
  • 5.8.3. Overfitting y Underfitting
  • 5.8.4. Balance entre sesgo y varianza
  • 5.9. Clasificación de los métodos de aprendizaje
  • 5.10. Categorización de los métodos de aprendizaje
  • 5.11. Resumen
  • 6. Modelos de Clasificación
  • 6.1. Logistic Regression
  • 6.2. k-Nearest Neighbors
  • 6.3. Naıve Bayes
  • 6.4. Support Vector Machines
  • 6.5. Decisión Trees
  • 6.6. Métodos de ensamble
  • 6.6.1. Random Forest
  • 6.6.2. XGBoost
  • 6.7. Redes Neuronales Artificiales y Redes Neuronales Profundas
  • 6.8. Evaluación de modelos de clasificación
  • 6.8.1. Matriz de confusión
  • 6.8.2. Receiver Operating Characteristic Curve
  • 6.9. Resumen

Ejemplares similares