
)SOLR_TLOGA'strings€   ƒCæ$^Ð  7handle:"123456789/1388"   #ƒAÛ÷ù£   J?€  7SolrIndexer.lastIndexed82026-04-24T12:38:24.035Z/search.uniqueid?2-3c4a5247-76b1-4682-be9f-f2acdcceaffd3search.resourcetype!21search.resourceid?3c4a5247-76b1-4682-be9f-f2acdcceaffd&handle.123456789/1388(location„?ma0934804-27e9-4386-bb79-53023e4cc66b?m0e86e95e-fa8c-4b33-a1f0-36da98159ec5?m58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f?l22682ca6-e66a-4964-99e6-d6cc2587af8b-location.commƒ?a0934804-27e9-4386-bb79-53023e4cc66b?0e86e95e-fa8c-4b33-a1f0-36da98159ec5?58a1dd5d-c6ae-4d95-a8c4-d416c90f1d5f-location.coll?22682ca6-e66a-4964-99e6-d6cc2587af8b(archived$true)withdrawn%false,discoverable$true,lastModified82026-04-24T12:38:23.894Z&authorƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo.author_keywordƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo)author_acƒ?ovelar bogado, evelio jacin
|||
Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel
|||
Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo
|||
Almeida Delgado, Carlos Domingo-author_filterƒ?ovelar bogado, evelio jacin
|||
Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel
|||
Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo
|||
Almeida Delgado, Carlos Domingo8dc.contributor.author_hlƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo9dc.contributor.author_mltƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo5dc.contributor.authorƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo<dc.contributor.author_storedƒ? Ovelar Bogado, Evelio Jacin
|||
null
|||
null
|||
null
|||
null?&Avalos Ferreira, Rodolfo Emmanuel
|||
null
|||
null
|||
null
|||
null?$Almeida Delgado, Carlos Domingo
|||
null
|||
null
|||
null
|||
null6dc.date.accessioned_dt82026-04-24T12:31:11.000Z3dc.date.accessioned42026-04-24T12:31:11Z1dc.date.available42026-04-24T12:31:11Z*dateIssued*2026-01-012dateIssued_keyword‚*2026-01-01$2026-dateIssued_ac‚92026-01-01
|||
2026-01-01$2026/dateIssued.year$20264dateIssued.year_sort$20261dc.date.issued_dt82026-01-01T00:00:00.000Z.dc.date.issued*2026-01-015dc.date.issued_stored?2026-01-01
|||
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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.=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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/1388/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†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI/subject_keywordŒ?ciberseguridad en redes empresariales?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN7trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico cifrado en VPN?deep learning,
|||
deep learning,?redes cnn y lstm
|||
redes CNN y LSTM+xai
|||
XAI.dc.subject_mlt†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI*dc.subject†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI0dc.subject.es_ES†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico 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&Thesis/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_filterƒ?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_partialƒ? Almeida Delgado, Carlos Domingo?Avalos Ferreira, Rodolfo Emmanuel;Ovelar Bogado, Evelio Jacin5bi_2_dis_value_filterƒ? 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?traÌfico cifrado en vpn
|||
trÃ¡fico cifrado en VPN?)deteccioÌn de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?deep learning,
|||
deep learning,0bi_4_dis_partial†?ciberseguridad en redes empresariales7trÃ¡fico cifrado en VPN?detecciÃ³n de intrusos (IDS/NIDS)#XAI0redes CNN y LSTM.deep learning,5bi_4_dis_value_filter†?ciberseguridad en redes empresariales7trÃ¡fico cifrado en VPN?detecciÃ³n 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$2026.bi_sort_3_sort42026-04-24T12:31:11Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell’;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo42026-04-24T12:31:11Z42026-04-24T12:31:11Z$2026?£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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.?http://localhost:8080/xmlui/handle/123456789/1388"es?Facultad PolitÃ©cnica, Universidad Nacional del Este?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI?+Sistema de ciberseguridad basado en deep learning para redes empresariales&Thesis)_version_Û÷ù£     ?°ƒCæ$ž  7handle:"123456789/1388"   #ƒAÛ÷ûc`  J?€  7SolrIndexer.lastIndexed82026-04-24T12:38:31.207Z/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.commƒ?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,lastModified82026-04-24T12:38:31.113Z&authorƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo.author_keywordƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo)author_acƒ?ovelar bogado, evelio jacin
|||
Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel
|||
Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo
|||
Almeida Delgado, Carlos Domingo-author_filterƒ?ovelar bogado, evelio jacin
|||
Ovelar Bogado, Evelio Jacin?(avalos ferreira, rodolfo emmanuel
|||
Avalos Ferreira, Rodolfo Emmanuel?$almeida delgado, carlos domingo
|||
Almeida Delgado, Carlos Domingo8dc.contributor.author_hlƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo9dc.contributor.author_mltƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo5dc.contributor.authorƒ;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo<dc.contributor.author_storedƒ? Ovelar Bogado, Evelio Jacin
|||
null
|||
null
|||
null
|||
null?&Avalos Ferreira, Rodolfo Emmanuel
|||
null
|||
null
|||
null
|||
null?$Almeida Delgado, Carlos Domingo
|||
null
|||
null
|||
null
|||
null6dc.date.accessioned_dt82026-04-24T12:31:11.000Z3dc.date.accessioned42026-04-24T12:31:11Z1dc.date.available42026-04-24T12:31:11Z*dateIssued*2026-01-012dateIssued_keyword‚*2026-01-01$2026-dateIssued_ac‚92026-01-01
|||
2026-01-01$2026/dateIssued.year$20264dateIssued.year_sort$20261dc.date.issued_dt82026-01-01T00:00:00.000Z.dc.date.issued*2026-01-015dc.date.issued_stored?2026-01-01
|||
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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.=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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.1dc.identifier.uri?http://localhost:8080/xmlui/handle/123456789/1388/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†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI/subject_keywordŒ?ciberseguridad en redes empresariales?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN7trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico 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?(detecciÃ³n de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?trÃ¡fico cifrado en vpn
|||
trÃ¡fico cifrado en VPN?deep learning,
|||
deep learning,?redes cnn y lstm
|||
redes CNN y LSTM+xai
|||
XAI.dc.subject_mlt†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI*dc.subject†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI0dc.subject.es_ES†?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico 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&Thesis/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_filterƒ?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_partialƒ? Almeida Delgado, Carlos Domingo?Avalos Ferreira, Rodolfo Emmanuel;Ovelar Bogado, Evelio Jacin5bi_2_dis_value_filterƒ? 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?traÌfico cifrado en vpn
|||
trÃ¡fico cifrado en VPN?)deteccioÌn de intrusos (ids/nids)
|||
detecciÃ³n de intrusos (IDS/NIDS)?deep learning,
|||
deep learning,0bi_4_dis_partial†?ciberseguridad en redes empresariales7trÃ¡fico cifrado en VPN?detecciÃ³n de intrusos (IDS/NIDS)#XAI0redes CNN y LSTM.deep learning,5bi_4_dis_value_filter†?ciberseguridad en redes empresariales7trÃ¡fico cifrado en VPN?detecciÃ³n 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$2026.bi_sort_3_sort42026-04-24T12:31:11Z$read?g8f18a99c-4fd6-4787-bf2c-39ee4473d82a'a_spell’;Ovelar Bogado, Evelio Jacin?Avalos Ferreira, Rodolfo Emmanuel? Almeida Delgado, Carlos Domingo42026-04-24T12:31:11Z42026-04-24T12:31:11Z$2026?£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 detecciÃ³n es limitada frente a ataques de dÃ­a cero, tÃ©cnicas de evasiÃ³n y trÃ¡fico cifrado. Este
Trabajo Final de Grado propone un sistema de ciberseguridad basado en deep learning para trÃ¡fico sobre VPN, orientado a la detecciÃ³n en tiempo real de actividades anÃ³malas 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 investigaciÃ³n es tecnolÃ³gica, de enfoque cuantitativo y alcance descriptivoâ€“comparativo. El mÃ©todo incluyÃ³ la integraciÃ³n de los conjuntos de datos CICIDS2017 y UNSW-NB15, seleccionados por su diversidad de ataques y uso extendido, la
construcciÃ³n de un vector unificado de 118 caracterÃ­sticas de flujo en un orden fijo y reproducible, la estandarizaciÃ³n sin leakage, la particiÃ³n estratificada, el entrenamiento de un modelo hÃ­brido basado en redes CNN y LSTM, la implementaciÃ³n de un servicio de inferencia mediante API REST (FastAPI ) y el diseÃ±o de
un panel de monitoreo. La evaluaciÃ³n considerÃ³ precisiÃ³n, recall, F1 y AUC, ademÃ¡s de latencia de inferencia y uso de CPU y memoria RAM. Para la interpretabilidad se incorporaron tÃ©cnicas de Inteligencia Artificial Explicable (XAI ), como SHAP. Los resultados cumplieron ampliamente el criterio de Ã©xito establecido,
entendido como un desempeÃ±o mÃ­nimo aceptable de 70%. En la evaluaciÃ³n offline, el modelo alcanzÃ³ una exactitud de 0,9915, precisiÃ³n de 0,9904, recall de 0,9972, F1 de 0,9938 y AUC de 0,9997, con latencias compatibles con operaciÃ³n continua. Frente a enfoques basados en firmas, como Snort y Suricata, mostrÃ³ mayor adaptabilidad sobre flujos cifrados. Como alcance y lÃ­mite, el sistema opera sobre metadatos de flujo sin inspecciÃ³n de payload y fue validado en un entorno controlado, por lo que su despliegue productivo requiere calibraciÃ³n continua segÃºn el perfil de trÃ¡fico y las polÃ­ticas de cada organizaciÃ³n.?http://localhost:8080/xmlui/handle/123456789/1388"es?Facultad PolitÃ©cnica, Universidad Nacional del Este?ciberseguridad en redes empresariales?detecciÃ³n de intrusos (IDS/NIDS)7trÃ¡fico cifrado en VPN.deep learning,0redes CNN y LSTM#XAI?+Sistema de ciberseguridad basado en deep learning para redes empresariales&Thesis)_version_Û÷ûc`    ?°ƒD`-SOLR_TLOG_END   