Edit C:\dspace\solr\search\data\tlog\tlog.0000000000000003120
)SOLR_TLOGA'strings? ?C?$m?0 7handle:"123456789/1388" #?A????? J?? 7SolrIndexer.lastIndexed82026-04-24T12:31:21.597Z/search.uniqueid?2-3c4a5247-76b1-4682-be9f-f2acdcceaffd3search.resourcetype!21search.resourceid?3c4a5247-76b1-4682-be9f-f2acdcceaffd&handle.123456789/1388(location??ma0934804-27e9-4386-bb79-53023e4cc66b?m0e86e95e-fa8c-4b33-a1f0-36da98159ec5?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l22682ca6-e66a-4964-99e6-d6cc2587af8b-location.comm??a0934804-27e9-4386-bb79-53023e4cc66b?0e86e95e-fa8c-4b33-a1f0-36da98159ec5?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?22682ca6-e66a-4964-99e6-d6cc2587af8b(archived$true)withdrawn%false,discoverable$true,lastModified82026-04-24T12:31:21.566Z&author?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo.author_keyword?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo)author_ac?? ovelar bogado, evelio jacin ||| Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel ||| Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo ||| Almeida Delgado, Carlos Domingo-author_filter?? ovelar bogado, evelio jacin ||| Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel ||| Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo ||| Almeida Delgado, Carlos Domingo8dc.contributor.author_hl?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo9dc.contributor.author_mlt?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo5dc.contributor.author?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo<dc.contributor.author_stored?? Ovelar Bogado, Evelio Jacin ||| null ||| null ||| null ||| null?&Avalos Ferreira, Rodolfo Emmanuel ||| null ||| null ||| null ||| null?$Almeida Delgado, Carlos Domingo ||| null ||| null ||| null ||| null:dc.description.abstract_hl??Las intrusiones en redes empresariales constituyen un riesgo operativo y financiero, con impacto en la continuidad del negocio y la confianza de los usuarios. Aunque existen firewalls e IDS basados en firmas, su capacidad de detección es limitada frente a ataques de día cero, técnicas de evasión y tráfico cifrado. Este Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para tráfico sobre VPN, orientado a la detección en tiempo real de actividades anómalas en entornos corporativos. El objetivo principal fue implementar un prototipo capaz de analizar flujos de red, identificar comportamientos maliciosos y emitir alertas con baja latencia y reducida tasa de falsos positivos. La investigación es tecnológica, de enfoque cuantitativo y alcance descriptivo?comparativo. El método incluyó la integración de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la construcción de un vector unificado de 118 características de flujo en un orden fijo y reproducible, la estandarización sin leakage, la partición estratificada, el entrenamiento de un modelo híbrido basado en redes CNN y LSTM, la implementación de un servicio de inferencia mediante API REST (FastAPI ) y el diseño de un panel de monitoreo. La evaluación consideró precisión, recall, F1 y AUC, además de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron técnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de éxito establecido, entendido como un desempeño mínimo aceptable de 70%. En la evaluación offline, el modelo alcanzó una exactitud de 0,9915, precisión de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operación continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostró mayor adaptabilidad sobre flujos cifrados. Como alcance y límite, el sistema opera sobre metadatos de flujo sin inspección de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibración continua según el perfil de tráfico y las políticas de cada organización.7dc.description.abstract??Las intrusiones en redes empresariales constituyen un riesgo operativo y financiero, con impacto en la continuidad del negocio y la confianza de los usuarios. Aunque existen firewalls e IDS basados en firmas, su capacidad de detección es limitada frente a ataques de día cero, técnicas de evasión y tráfico cifrado. Este Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para tráfico sobre VPN, orientado a la detección en tiempo real de actividades anómalas en entornos corporativos. El objetivo principal fue implementar un prototipo capaz de analizar flujos de red, identificar comportamientos maliciosos y emitir alertas con baja latencia y reducida tasa de falsos positivos. La investigación es tecnológica, de enfoque cuantitativo y alcance descriptivo?comparativo. El método incluyó la integración de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la construcción de un vector unificado de 118 características de flujo en un orden fijo y reproducible, la estandarización sin leakage, la partición estratificada, el entrenamiento de un modelo híbrido basado en redes CNN y LSTM, la implementación de un servicio de inferencia mediante API REST (FastAPI ) y el diseño de un panel de monitoreo. La evaluación consideró precisión, recall, F1 y AUC, además de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron técnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de éxito establecido, entendido como un desempeño mínimo aceptable de 70%. En la evaluación offline, el modelo alcanzó una exactitud de 0,9915, precisión de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operación continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostró mayor adaptabilidad sobre flujos cifrados. Como alcance y límite, el sistema opera sobre metadatos de flujo sin inspección de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibración continua según el perfil de tráfico y las políticas de cada organización.=dc.description.abstract.es_ES??Las intrusiones en redes empresariales constituyen un riesgo operativo y financiero, con impacto en la continuidad del negocio y la confianza de los usuarios. Aunque existen firewalls e IDS basados en firmas, su capacidad de detección es limitada frente a ataques de día cero, técnicas de evasión y tráfico cifrado. Este Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para tráfico sobre VPN, orientado a la detección en tiempo real de actividades anómalas en entornos corporativos. El objetivo principal fue implementar un prototipo capaz de analizar flujos de red, identificar comportamientos maliciosos y emitir alertas con baja latencia y reducida tasa de falsos positivos. La investigación es tecnológica, de enfoque cuantitativo y alcance descriptivo?comparativo. El método incluyó la integración de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la construcción de un vector unificado de 118 características de flujo en un orden fijo y reproducible, la estandarización sin leakage, la partición estratificada, el entrenamiento de un modelo híbrido basado en redes CNN y LSTM, la implementación de un servicio de inferencia mediante API REST (FastAPI ) y el diseño de un panel de monitoreo. La evaluación consideró precisión, recall, F1 y AUC, además de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron técnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de éxito establecido, entendido como un desempeño mínimo aceptable de 70%. En la evaluación offline, el modelo alcanzó una exactitud de 0,9915, precisión de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operación continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostró mayor adaptabilidad sobre flujos cifrados. Como alcance y límite, el sistema opera sobre metadatos de flujo sin inspección de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibración continua según el perfil de tráfico y las políticas de cada organización./dc.language.iso"es5dc.language.iso.es_ES"es,dc.publisher?Facultad Politécnica, Universidad Nacional del Este2dc.publisher.es_ES?Facultad Politécnica, Universidad Nacional del Este'subject??ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI/subject_keyword??ciberseguridad en redes empresariales?ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN7tráfico cifrado en VPN.deep learning,.deep learning,0redes CNN y LSTM0redes CNN y LSTM#XAI#XAI*subject_ac??0ciberseguridad en redes empresariales ||| ciberseguridad en redes empresariales?(detección de intrusos (ids/nids) ||| detección de intrusos (IDS/NIDS)?tráfico cifrado en vpn ||| tráfico cifrado en VPN?deep learning, ||| deep learning,?redes cnn y lstm ||| redes CNN y LSTM+xai ||| XAI4subject_tax_0_filter??0ciberseguridad en redes empresariales ||| ciberseguridad en redes empresariales?(detección de intrusos (ids/nids) ||| detección de intrusos (IDS/NIDS)?tráfico cifrado en vpn ||| tráfico cifrado en VPN?deep learning, ||| deep learning,?redes cnn y lstm ||| redes CNN y LSTM+xai ||| XAI.subject_filter??0ciberseguridad en redes empresariales ||| ciberseguridad en redes empresariales?(detección de intrusos (ids/nids) ||| detección de intrusos (IDS/NIDS)?tráfico cifrado en vpn ||| tráfico cifrado en VPN?deep learning, ||| deep learning,?redes cnn y lstm ||| redes CNN y LSTM+xai ||| XAI.dc.subject_mlt??ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI*dc.subject??ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI0dc.subject.es_ES??ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI%title?+Sistema de ciberseguridad basado en deep learning para redes empresariales-title_keyword?+Sistema de ciberseguridad basado en deep learning para redes empresariales(title_ac?zsistema de ciberseguridad basado en deep learning para redes empresariales ||| Sistema de ciberseguridad basado en deep learning para redes empresariales-dc.title_sort?+Sistema de ciberseguridad basado en deep learning para redes empresariales+dc.title_hl?+Sistema de ciberseguridad basado en deep learning para redes empresariales,dc.title_mlt?+Sistema de ciberseguridad basado en deep learning para redes empresariales(dc.title?+Sistema de ciberseguridad basado en deep learning para redes empresariales/dc.title_stored?PSistema de ciberseguridad basado en deep learning para redes empresariales ||| null ||| null ||| null ||| es_ES.dc.title.es_ES?+Sistema de ciberseguridad basado en deep learning para redes empresariales'dc.type&Thesis-dc.type.es_ES&Thesis1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/13886dc.date.accessioned_dt82026-04-24T12:31:11.000Z3dc.date.accessioned42026-04-24T12:31:11Z1dc.date.available42026-04-24T12:31:11Z*dateIssued*2025-01-012dateIssued_keyword?*2025-01-01$2025-dateIssued_ac?92025-01-01 ||| 2025-01-01$2025/dateIssued.year$20254dateIssued.year_sort$20251dc.date.issued_dt82025-01-01T00:00:00.000Z.dc.date.issued*2025-01-015dc.date.issued_stored?2025-01-01 ||| null ||| null ||| null ||| null/publication_grp.123456789/1388>has_content_in_original_bundle%false?has_content_in_original_bundle_keyword%false?has_content_in_original_bundle_filter%false/bi_2_dis_filter?? ovelar bogado, evelio jacin ||| Ovelar Bogado, Evelio Jacin?$almeida delgado, carlos domingo ||| Almeida Delgado, Carlos Domingo?(avalos ferreira, rodolfo emmanuel ||| Avalos Ferreira, Rodolfo Emmanuel0bi_2_dis_partial?? Almeida Delgado, Carlos Domingo?Avalos Ferreira, Rodolfo Emmanuel;Ovelar Bogado, Evelio Jacin5bi_2_dis_value_filter?? Almeida Delgado, Carlos Domingo?Avalos Ferreira, Rodolfo Emmanuel;Ovelar Bogado, Evelio Jacin/bi_4_dis_filter??redes cnn y lstm ||| redes CNN y LSTM?0ciberseguridad en redes empresariales ||| ciberseguridad en redes empresariales+xai ||| XAI?tra?fico cifrado en vpn ||| tráfico cifrado en VPN?)deteccio?n de intrusos (ids/nids) ||| detección de intrusos (IDS/NIDS)?deep learning, ||| deep learning,0bi_4_dis_partial??ciberseguridad en redes empresariales7tráfico cifrado en VPN?detección de intrusos (IDS/NIDS)#XAI0redes CNN y LSTM.deep learning,5bi_4_dis_value_filter??ciberseguridad en redes empresariales7tráfico cifrado en VPN?detección de intrusos (IDS/NIDS)#XAI0redes CNN y LSTM.deep learning,.bi_sort_1_sort?+sistema de ciberseguridad basado en deep learning para redes empresariales.bi_sort_2_sort$2025.bi_sort_3_sort42026-04-24T12:31:11Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell?;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo??Las intrusiones en redes empresariales constituyen un riesgo operativo y financiero, con impacto en la continuidad del negocio y la confianza de los usuarios. Aunque existen firewalls e IDS basados en firmas, su capacidad de detección es limitada frente a ataques de día cero, técnicas de evasión y tráfico cifrado. Este Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para tráfico sobre VPN, orientado a la detección en tiempo real de actividades anómalas en entornos corporativos. El objetivo principal fue implementar un prototipo capaz de analizar flujos de red, identificar comportamientos maliciosos y emitir alertas con baja latencia y reducida tasa de falsos positivos. La investigación es tecnológica, de enfoque cuantitativo y alcance descriptivo?comparativo. El método incluyó la integración de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la construcción de un vector unificado de 118 características de flujo en un orden fijo y reproducible, la estandarización sin leakage, la partición estratificada, el entrenamiento de un modelo híbrido basado en redes CNN y LSTM, la implementación de un servicio de inferencia mediante API REST (FastAPI ) y el diseño de un panel de monitoreo. La evaluación consideró precisión, recall, F1 y AUC, además de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron técnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de éxito establecido, entendido como un desempeño mínimo aceptable de 70%. En la evaluación offline, el modelo alcanzó una exactitud de 0,9915, precisión de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operación continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostró mayor adaptabilidad sobre flujos cifrados. Como alcance y límite, el sistema opera sobre metadatos de flujo sin inspección de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibración continua según el perfil de tráfico y las políticas de cada organización."es?Facultad Politécnica, Universidad Nacional del Este?ciberseguridad en redes empresariales?detección de intrusos (IDS/NIDS)7tráfico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI?+Sistema de ciberseguridad basado en deep learning para redes empresariales&Thesis?http://localhost:8080/xmlui/handle/123456789/138842026-04-24T12:31:11Z42026-04-24T12:31:11Z$2025)_version_????? ???D`-SOLR_TLOG_END
Ms-Dos/Windows
Unix
Write backup
jsp File Browser version 1.2 by
www.vonloesch.de