Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación · 2022
Implementación de modelo computacional para la detección de ingeniería social basado en aprendizaje de máquina y procesamiento de lenguaje natural
La seguridad informática o ciberseguridad se encarga de la protección de datos y servicios ante individuos no autorizados y protege las características de la información como la integridad, la confidencialidad y la disponibilidad. Existen múltiples amenazas y ataques que ponen en riesgo la seguridad informática como el ransomware, el malware o programas malignos, los ataques de denegación de servicios, las fallas de inyección, la ingeniería social, entre otros. En muchas ocasiones la parte más vulnerable de los sistemas son los usuarios, por este motivo los ciberdelincuentes usan la ingeniería social para adquirir información de forma ilícita de los usuarios. La ingeniería social consiste en la manipulación de los individuos mediante el engaño para que divulguen información privada o confidencial. Este tipo de ciberataque es muy difícil de detectar ya que puede ser ejecutado por cualquier individuo en cualquier momento y explota aspectos psicológicos de los humanos para engañarlos. En el presente trabajo se presenta la implementación de un modelo computacional basado en técnicas de Procesamiento de Lenguaje Natural para extraer características en textos y alimentar tres algoritmos de Aprendizaje de Máquina (redes neuronales, máquinas de vector de soporte y bosques aleatorios) para detectar posibles ataques de ingeniería social en textos. Los tres algoritmos fueron entrenados y evaluados, mostrando resultados que superan el 80% de exactitud en la detección de ataques de ingeniería social. (Texto tomado de la fuente).
Texto completo 88 páginas con texto de 93
Leer la tesis completa Ficha en el repositorio
Contenido
- Estado del artep. 21
- Ciberseguridadp. 19
- Malwarep. 20
- Ataques de denegación de serviciosp. 20
- Ataques de inyección de código maliciosop. 21
- Ataques de ingeniería socialp. 21
- Ingeniería socialp. 21
- Fases de los ataques de ingeniería socialp. 25
- Principios de persuasión y aspectos psicológicosp. 28
- Técnicas de ataques de ingeniería socialp. 31
- Métodos de detección de ingeniería socialp. 35
- Métodos no automáticosp. 35
- Métodos automáticosp. 39
- Diseño del modelop. 49
- Comprensión de los datosp. 48
- Preparación de los datosp. 53
- Selección de datos y limpieza de datosp. 53
- Aumento de datosp. 53
- Selección de característicasp. 55
- Modeladop. 58
- Bosques aleatoriosp. 45
- Redes neuronalesp. 60
- Máquinas de vector de soportep. 62
- Evaluaciónp. 63
- Exactitud (Accuracy)p. 64
- Precisiónp. 64
- Exhaustividad (Recall)p. 65
- Puntuación F1 (F1 Score)p. 65
- Implementación del modelop. 69
- Recursos de máquina y lenguaje de programaciónp. 67
- Implementación y evaluación del modelop. 70
- Resultados de la comprensión y preparación de datosp. 70
- Resultados de la selección de característicasp. 71
- Resultados del modelado y evaluaciónp. 74
- Discusión de resultadosp. 83
- Conclusiones y trabajo futurop. 85
- Conclusionesp. 85
- Trabajo futurop. 86
- Bibliografíap. 89
- Figura 1-1: Modelo ontológico de ataques de ingeniería socialp. 22
- Figura 1-2: Taxonomía de los ataques de ingeniería socialp. 23
- Figura 1-3: Fases de ataques de ingeniería socialp. 26
- Figura 1-4: Efectos de ataques de phishing en organizacionesp. 32
- Figura 1-5: Modelo de detección de ingeniería social SEADMv2p. 38
- Figura 1-6: Fases sistema de detección de ingeniería social SEADerp. 41
- Figura 2-1: Fases modelo de detección de ingeniería socialp. 48
- Figura 2-2: Reporte ataque ingeniería social en Twitterp. 49
- Figura 2-3: Reporte ataque ingeniería social en Twitter para trascripciónp. 51
- Figura 3-1: Especificaciones de hardware de máquinap. 68
- Figura 3-2: Especificaciones de software de máquinap. 68
- Figura 3-3: Proporción de datos dataset finalp. 70
- Figura 3-3: Ejemplo de vector de características de los textosp. 73
- Figura 3-4: Importancia de características de algoritmo bosques aleatoriosp. 78
- Figura 3-5: Importancia de características de algoritmo SVMp. 79
- Figura 3-6: Importancia de características de algoritmo redes neuronalesp. 79
- socialp. 16
- Tabla 2-1: Distribución textos iniciales de ataques de ingeniería socialp. 52
- Tabla 2-2: Distribución de dataset final ataques de ingeniería socialp. 55
- Tabla 3-1: Resultado exploración de hipérparametros algoritmos de clasificaciónp. 76
- Tabla 3-2: Resultados de evaluación métricas de algoritmo bosques aleatoriosp. 77
- Tabla 3-3: Resultados de evaluación métricas de algoritmo SVMp. 77
- Tabla 3-4: Resultados de evaluación métricas de algoritmo redes neuronalesp. 77