
)SOLR_TLOGA'strings€   ƒCæ‡ ª¾P  7handle:"123456789/1347"   #ƒAxßUB°  J?€  7SolrIndexer.lastIndexed82025-06-20T15:29:14.779Z/search.uniqueid?2-5e0e15ce-c100-40aa-aa2b-1a014afd1c503search.resourcetype!21search.resourceid?5e0e15ce-c100-40aa-aa2b-1a014afd1c50&handle.123456789/1347(locationƒ?m8b295f10-2c88-4099-a34e-6f392ef42e5f?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l5b6bc384-38df-43a5-af47-11d8b9d130cb-location.comm‚?8b295f10-2c88-4099-a34e-6f392ef42e5f?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?5b6bc384-38df-43a5-af47-11d8b9d130cb(archived$true)withdrawn%false,discoverable$true,lastModified82025-06-20T15:29:14.748Z&author„?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio.author_keyword„?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio)author_ac„?&insfrÃ¡n domÃ­nguez, aldo javier
|||
InsfrÃ¡n DomÃ­nguez, Aldo Javier?lÃ³pez pires, fabio
|||
LÃ³pez Pires, Fabio?barÃ¡n, benjamÃ­n
|||
BarÃ¡n, BenjamÃ­n?martÃ­nez jara, eustaquio
|||
MartÃ­nez Jara, Eustaquio-author_filter„?&insfrÃ¡n domÃ­nguez, aldo javier
|||
InsfrÃ¡n DomÃ­nguez, Aldo Javier?lÃ³pez pires, fabio
|||
LÃ³pez Pires, Fabio?barÃ¡n, benjamÃ­n
|||
BarÃ¡n, BenjamÃ­n?martÃ­nez jara, eustaquio
|||
MartÃ­nez Jara, Eustaquio8dc.contributor.author_hl„?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio9dc.contributor.author_mlt„?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio5dc.contributor.author„?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio<dc.contributor.author_stored„?%InsfrÃ¡n DomÃ­nguez, Aldo Javier
|||
null
|||
null
|||
null
|||
null?LÃ³pez Pires, Fabio
|||
null
|||
null
|||
null
|||
null?BarÃ¡n, BenjamÃ­n
|||
null
|||
null
|||
null
|||
null?MartÃ­nez Jara, Eustaquio
|||
null
|||
null
|||
null
|||
null:dc.description.abstract_hl?Ataques cibernÃ©ticos a sistemas industriales de infraestructura crÃ­tica son una realidad en la actualidad y sus consecuencias constituyen un riesgo a la continuidad de los negocios, la economÃ­a y el bienestar de la poblaciÃ³n. Este trabajo presenta una evaluaciÃ³n experimental de mecanismos utilizados en distintos sistemas de detecciÃ³n de intrusiones aplicados a redes industriales utilizadas en infraestructuras crÃ­ticas. Nueve algoritmos de aprendizaje de mÃ¡quina fueron evaluados utilizando dos conjuntos de datos. El primero de estos conjuntos proviene de un sistema del tipo gasoducto en el que se utiliza el protocolo de comunicaciones Modbus. En segundo conjunto es obtenido de un sistema de control de subestaciÃ³n en el que se utiliza el
protocolo IEC 60870-5-104. Ambos conjuntos contienen datos de 39 escenarios de ataque cibernÃ©ticos, ejecutados a travÃ©s de protocolos de comunicaciÃ³n industriales y no industriales agrupados en 1 1 grupos. Los resultados experimentales obtenidos mostraron que los algoritmo asados en Ã¡rboles de decisiÃ³n presentan mejores resultados para la mÃ©trica de Fl-Score, en particular Gradient Boost Tree, con el mejor resultado para 8 de los 11 grupos. En cuanto a los taques se observÃ³ que los de tipo reconocimiento o reconnaissance fueron los mÃ¡s fÃ¡ciles de reconocer con mÃ¡s de 99.7% de promedio de la mÃ©trica para todos los algoritmos. Por otro lado, los ataques de tipo inyecciÃ³n de comandos y respuestas a nivel de los protocolos industriales
fueron los mÃ¡s difÃ­ciles de identificar con promedios de mÃ©trica inferiores al 93.7%7dc.description.abstract?Ataques cibernÃ©ticos a sistemas industriales de infraestructura crÃ­tica son una realidad en la actualidad y sus consecuencias constituyen un riesgo a la continuidad de los negocios, la economÃ­a y el bienestar de la poblaciÃ³n. Este trabajo presenta una evaluaciÃ³n experimental de mecanismos utilizados en distintos sistemas de detecciÃ³n de intrusiones aplicados a redes industriales utilizadas en infraestructuras crÃ­ticas. Nueve algoritmos de aprendizaje de mÃ¡quina fueron evaluados utilizando dos conjuntos de datos. El primero de estos conjuntos proviene de un sistema del tipo gasoducto en el que se utiliza el protocolo de comunicaciones Modbus. En segundo conjunto es obtenido de un sistema de control de subestaciÃ³n en el que se utiliza el
protocolo IEC 60870-5-104. Ambos conjuntos contienen datos de 39 escenarios de ataque cibernÃ©ticos, ejecutados a travÃ©s de protocolos de comunicaciÃ³n industriales y no industriales agrupados en 1 1 grupos. Los resultados experimentales obtenidos mostraron que los algoritmo asados en Ã¡rboles de decisiÃ³n presentan mejores resultados para la mÃ©trica de Fl-Score, en particular Gradient Boost Tree, con el mejor resultado para 8 de los 11 grupos. En cuanto a los taques se observÃ³ que los de tipo reconocimiento o reconnaissance fueron los mÃ¡s fÃ¡ciles de reconocer con mÃ¡s de 99.7% de promedio de la mÃ©trica para todos los algoritmos. Por otro lado, los ataques de tipo inyecciÃ³n de comandos y respuestas a nivel de los protocolos industriales
fueron los mÃ¡s difÃ­ciles de identificar con promedios de mÃ©trica inferiores al 93.7%=dc.description.abstract.es_ES?Ataques cibernÃ©ticos a sistemas industriales de infraestructura crÃ­tica son una realidad en la actualidad y sus consecuencias constituyen un riesgo a la continuidad de los negocios, la economÃ­a y el bienestar de la poblaciÃ³n. Este trabajo presenta una evaluaciÃ³n experimental de mecanismos utilizados en distintos sistemas de detecciÃ³n de intrusiones aplicados a redes industriales utilizadas en infraestructuras crÃ­ticas. Nueve algoritmos de aprendizaje de mÃ¡quina fueron evaluados utilizando dos conjuntos de datos. El primero de estos conjuntos proviene de un sistema del tipo gasoducto en el que se utiliza el protocolo de comunicaciones Modbus. En segundo conjunto es obtenido de un sistema de control de subestaciÃ³n en el que se utiliza el
protocolo IEC 60870-5-104. Ambos conjuntos contienen datos de 39 escenarios de ataque cibernÃ©ticos, ejecutados a travÃ©s de protocolos de comunicaciÃ³n industriales y no industriales agrupados en 1 1 grupos. Los resultados experimentales obtenidos mostraron que los algoritmo asados en Ã¡rboles de decisiÃ³n presentan mejores resultados para la mÃ©trica de Fl-Score, en particular Gradient Boost Tree, con el mejor resultado para 8 de los 11 grupos. En cuanto a los taques se observÃ³ que los de tipo reconocimiento o reconnaissance fueron los mÃ¡s fÃ¡ciles de reconocer con mÃ¡s de 99.7% de promedio de la mÃ©trica para todos los algoritmos. Por otro lado, los ataques de tipo inyecciÃ³n de comandos y respuestas a nivel de los protocolos industriales
fueron los mÃ¡s difÃ­ciles de identificar con promedios de mÃ©trica inferiores al 93.7%/dc.language.iso"es5dc.language.iso.es_ES"es,dc.publisher?Facultad PolitÃ©cnica, Universidad Nacional del Este2dc.publisher.es_ES?Facultad PolitÃ©cnica, Universidad Nacional del Este'subject†:Industrial Control Systems<IntrusiÃ³n Detection Systems/Machine Learnig-Cybersecurity&Modbus/IEC 60870-5-104/subject_keywordŒ:Industrial Control Systems:Industrial Control Systems<IntrusiÃ³n Detection Systems<IntrusiÃ³n Detection Systems/Machine Learnig/Machine Learnig-Cybersecurity-Cybersecurity&Modbus&Modbus/IEC 60870-5-104/IEC 60870-5-104*subject_ac†?industrial control systems
|||
Industrial Control Systems?intrusiÃ³n detection systems
|||
IntrusiÃ³n Detection Systems?machine learnig
|||
Machine Learnig? cybersecurity
|||
Cybersecurity1modbus
|||
Modbus?iec 60870-5-104
|||
IEC 60870-5-1044subject_tax_0_filter†?industrial control systems
|||
Industrial Control Systems?intrusiÃ³n detection systems
|||
IntrusiÃ³n Detection Systems?machine learnig
|||
Machine Learnig? cybersecurity
|||
Cybersecurity1modbus
|||
Modbus?iec 60870-5-104
|||
IEC 60870-5-104.subject_filter†?industrial control systems
|||
Industrial Control Systems?intrusiÃ³n detection systems
|||
IntrusiÃ³n Detection Systems?machine learnig
|||
Machine Learnig? cybersecurity
|||
Cybersecurity1modbus
|||
Modbus?iec 60870-5-104
|||
IEC 60870-5-104.dc.subject_mlt†:Industrial Control Systems<IntrusiÃ³n Detection Systems/Machine Learnig-Cybersecurity&Modbus/IEC 60870-5-104*dc.subject†:Industrial Control Systems<IntrusiÃ³n Detection Systems/Machine Learnig-Cybersecurity&Modbus/IEC 60870-5-1040dc.subject.es_ES†:Industrial Control Systems<IntrusiÃ³n Detection Systems/Machine Learnig-Cybersecurity&Modbus/IEC 60870-5-104%title?DetecciÃ³n de instrucciones en redes industriales.-title_keyword?DetecciÃ³n de instrucciones en redes industriales.(title_ac?JdetecciÃ³n de instrucciones en redes industriales.
|||
DetecciÃ³n de instrucciones en redes industriales.-dc.title_sort?DetecciÃ³n de instrucciones en redes industriales.+dc.title_hl?DetecciÃ³n de instrucciones en redes industriales.,dc.title_mlt?DetecciÃ³n de instrucciones en redes industriales.(dc.title?DetecciÃ³n de instrucciones en redes industriales./dc.title_stored?8DetecciÃ³n de instrucciones en redes industriales.
|||
null
|||
null
|||
null
|||
es_ES.dc.title.es_ES?DetecciÃ³n de instrucciones en redes industriales.'dc.type&Thesis-dc.type.es_ES&Thesis1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/13476dc.date.accessioned_dt82025-06-20T15:29:04.000Z3dc.date.accessioned42025-06-20T15:29:04Z1dc.date.available42025-06-20T15:29:04Z*dateIssued*2022-01-012dateIssued_keyword‚*2022-01-01$2022-dateIssued_ac‚92022-01-01
|||
2022-01-01$2022/dateIssued.year$20224dateIssued.year_sort$20221dc.date.issued_dt82022-01-01T00:00:00.000Z.dc.date.issued*2022-01-015dc.date.issued_stored?2022-01-01
|||
null
|||
null
|||
null
|||
null/publication_grp.123456789/1347>has_content_in_original_bundle%false?has_content_in_original_bundle_keyword%false?has_content_in_original_bundle_filter%false/bi_2_dis_filter„?(insfraÌn domiÌnguez, aldo javier
|||
InsfrÃ¡n DomÃ­nguez, Aldo Javier?loÌpez pires, fabio
|||
LÃ³pez Pires, Fabio?
baraÌn, benjamiÌn
|||
BarÃ¡n, BenjamÃ­n?martiÌnez jara, eustaquio
|||
MartÃ­nez Jara, Eustaquio0bi_2_dis_partial„3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n?InsfrÃ¡n DomÃ­nguez, Aldo Javier9MartÃ­nez Jara, Eustaquio5bi_2_dis_value_filter„3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n?InsfrÃ¡n DomÃ­nguez, Aldo Javier9MartÃ­nez Jara, Eustaquio/bi_4_dis_filter†?intrusioÌn detection systems
|||
IntrusiÃ³n Detection Systems? cybersecurity
|||
Cybersecurity?iec 60870-5-104
|||
IEC 60870-5-104?machine learnig
|||
Machine Learnig?industrial control systems
|||
Industrial Control Systems1modbus
|||
Modbus0bi_4_dis_partial†&Modbus/IEC 60870-5-104<IntrusiÃ³n Detection Systems:Industrial Control Systems-Cybersecurity/Machine Learnig5bi_4_dis_value_filter†&Modbus/IEC 60870-5-104<IntrusiÃ³n Detection Systems:Industrial Control Systems-Cybersecurity/Machine Learnig.bi_sort_1_sort?deteccioÌn de instrucciones en redes industriales..bi_sort_2_sort$2022.bi_sort_3_sort42025-06-20T15:29:04Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell“?InsfrÃ¡n DomÃ­nguez, Aldo Javier3LÃ³pez Pires, Fabio1BarÃ¡n, BenjamÃ­n9MartÃ­nez Jara, Eustaquio?Ataques cibernÃ©ticos a sistemas industriales de infraestructura crÃ­tica son una realidad en la actualidad y sus consecuencias constituyen un riesgo a la continuidad de los negocios, la economÃ­a y el bienestar de la poblaciÃ³n. Este trabajo presenta una evaluaciÃ³n experimental de mecanismos utilizados en distintos sistemas de detecciÃ³n de intrusiones aplicados a redes industriales utilizadas en infraestructuras crÃ­ticas. Nueve algoritmos de aprendizaje de mÃ¡quina fueron evaluados utilizando dos conjuntos de datos. El primero de estos conjuntos proviene de un sistema del tipo gasoducto en el que se utiliza el protocolo de comunicaciones Modbus. En segundo conjunto es obtenido de un sistema de control de subestaciÃ³n en el que se utiliza el
protocolo IEC 60870-5-104. Ambos conjuntos contienen datos de 39 escenarios de ataque cibernÃ©ticos, ejecutados a travÃ©s de protocolos de comunicaciÃ³n industriales y no industriales agrupados en 1 1 grupos. Los resultados experimentales obtenidos mostraron que los algoritmo asados en Ã¡rboles de decisiÃ³n presentan mejores resultados para la mÃ©trica de Fl-Score, en particular Gradient Boost Tree, con el mejor resultado para 8 de los 11 grupos. En cuanto a los taques se observÃ³ que los de tipo reconocimiento o reconnaissance fueron los mÃ¡s fÃ¡ciles de reconocer con mÃ¡s de 99.7% de promedio de la mÃ©trica para todos los algoritmos. Por otro lado, los ataques de tipo inyecciÃ³n de comandos y respuestas a nivel de los protocolos industriales
fueron los mÃ¡s difÃ­ciles de identificar con promedios de mÃ©trica inferiores al 93.7%"es?Facultad PolitÃ©cnica, Universidad Nacional del Este:Industrial Control Systems<IntrusiÃ³n Detection Systems/Machine Learnig-Cybersecurity&Modbus/IEC 60870-5-104?DetecciÃ³n de instrucciones en redes industriales.&Thesis?http://localhost:8080/xmlui/handle/123456789/134742025-06-20T15:29:04Z42025-06-20T15:29:04Z$2022)_version_xßUB°    2ñƒD`-SOLR_TLOG_END   