[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-125172-es":3,"doc-seo-125172-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},125172,687207022233,"Riley","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",41,"Investigación e Informes","Modelo de Machine Learning para la Gestión de Amenazas con un SIEM de una Institución Financiera","La seguridad cibernética es una prioridad para instituciones financieras, que enfrentan retos continuos al detectar y gestionar amenazas en entornos con alto volumen de alertas. El estudio evalúa cinco modelos de Machine Learning (Random Forest, Support Vector Machine, Regresión Logística, K-Nearest Neighbors y Naive Bayes) para identificar anomalías en registros tipo SIEM. Se aplica una metodología basada en CRISP-ML(Q) y Kanban, con análisis exploratorio, limpieza y selección de características. La evaluación usa precisión, recall, F1-score y AUC para determinar el modelo más adecuado. Los hallazgos destacan que una selección de características correcta y un proceso estructurado mejoran la detección y reducen falsos positivos.","DOI: [https://doi.org/10.56712/latam.v6i2.3633](https://doi.org/10.56712/latam.v6i2.3633)  \nModelo de Machine Learning para la Gestión de Amenazas con un SIEM de una Institución Financiera  \nMachine Learning Model for Threat Management with a SIEM ofa Financial  \nInstitution  \nMaikel Martin Arbona  \n[Marbona7557@utm.edu.ec](Marbona7557@utm.edu.ec)  \n[http://orcid.org/0009-0003-1202-8705i](http://orcid.org/0009-0003-1202-8705i)[ ](http://orcid.org/0009-0003-1202-8705i)Universidad Técnica de Manabí Portoviejo – Ecuador  \nRoberth Abel Alcivar  \n[roberth.alcivar@gmail.com](roberth.alcivar@gmail.com)  \n[http://orcid.org/0000-0001-6282-8493](http://orcid.org/0000-0001-6282-8493)[ ](http://orcid.org/0000-0001-6282-8493)Universidad Técnica de Manabí Portoviejo – Ecuador  \nArtículo recibido: 06 de marzo de 2025. Aceptado para publicación: 20 de marzo de 2025.  \nConflictos de Interés: Ninguno que declarar.  \nResumen  \nLa ciberseguridad es una prioridad para las instituciones financieras, que enfrentan desafíos constantes en la detección y gestión de amenazas. Este estudio evalúa el rendimiento de cinco modelos de Machine Learning (Random Forest, Support Vector Machine, Regresión Logística, KNearest Neighbors y Naive Bayes) en la identificación de anomalías en registros similares a los generados por un Sistema de Gestión de Información y Eventos de Seguridad (SIEM) . Se adopta un enfoque metodológico basado en CRISP-ML(Q) y Kanban, combinando un marco estructurado deanálisis de datos con una gestión ágil del desarrollo. El conjunto de datos utilizado, obtenido de Kaggle, incluye registros de tráfico normal y eventos anómalos. Se aplicaron técnicas de análisisexploratorio, limpieza y selección de características para optimizar el rendimiento de los modelos. La evaluación se realizó mediante métricas como precisión, recall, F1-score y área bajo la curva (AUC), con el objetivo de determinar el modelo más adecuado para la detección de amenazas. Los resultadosmuestran que la correcta selección de características y el uso de metodologías estructuradas puedenmejorar significativamente la detección de anomalías, reduciendo falsos positivos y optimizando laseguridad informática. Estos hallazgos contribuyen al desarrollo de soluciones más eficientes para laciberseguridad en instituciones financieras y proporcionan una base para futuras investigaciones en la aplicación de Machine Learning en la detección de amenazas.  \nPalabras clave: aprendizaje automático, machine learning, seguridad informática, inteligencia artificial, SIEM  \nAbstract  \nCybersecurity is a priority for financial institutions, which face constant challenges in detecting and managing threats. This study evaluates the performance of five Machine Learning models (Random Forest, Support Vector Machine, Logistic Regression, K-Nearest Neighbors and Naive Bayes) in identifying anomalies in logs similar to those generated by a Security Information and Event Management System (SIEM) . A methodological approach based on CRISP-ML(Q) and Kanban is  \nadopted, combining a structured data analysis framework with agile development management. The dataset used, obtained from Kaggle, includes logs of normal traffic and anomalous events. Exploratory analysis, cleaning and feature selection techniques were applied to optimize the performance of the models. The evaluation was carried out using metrics such as precision, recall, F1-score and area under the curve (AUC), with the objective of determining the most appropriate model for threat detection. The results show that the correct selection of features and the use of structured methodologies can significantly improve anomaly detection, reducing false positives and optimizing computer security. These findings contribute to the development of more efficient solutions for cybersecurity in financial institutions and provide a basis for future research in the application of Machine Learning in threat detection.  \nKeywords: machine learning, machine lear","cbCaiq4zmGnAienG","https://ap.wps.com/l/cbCaiq4zmGnAienG","pdf",803324,3,1,18,"Spanish","es",110,"# Introducción\n## Problema: gestión de alertas en SIEM\n## Enfoque: Machine Learning para reducir falsos positivos\n## Antecedentes: desempeño de modelos supervisados en detección de amenazas","[{\"question\":\"Qué modelos de Machine Learning se evalúan para la detección de anomalías?\",\"answer\":\"Se evalúan cinco modelos: Random Forest, Support Vector Machine, Regresión Logística, K-Nearest Neighbors y Naive Bayes.\"},{\"question\":\"Qué enfoque metodológico se utiliza en el estudio?\",\"answer\":\"Se adopta un enfoque basado en CRISP-ML(Q) y Kanban, combinando un marco de análisis de datos con gestión ágil del desarrollo.\"},{\"question\":\"Cómo se mide el rendimiento de los modelos?\",\"answer\":\"La evaluación se realiza con métricas como precisión, recall, F1-score y el área bajo la curva (AUC) para seleccionar el modelo más adecuado.\"}]","Modelo de Machine Learning para la Gestión de Amenazas con un SIEM de una Institución Financiera | PDF",1785897176,28,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"machine-learning-model-for-threat-management-with-a-siem-of-a-financial-institution","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/machine-learning-model-for-threat-management-with-a-siem-of-a-financial-institution/125172/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qué modelos de Machine Learning se evalúan para la detección de anomalías?","Question",{"text":76,"@type":77},"Se evalúan cinco modelos: Random Forest, Support Vector Machine, Regresión Logística, K-Nearest Neighbors y Naive Bayes.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué enfoque metodológico se utiliza en el estudio?",{"text":81,"@type":77},"Se adopta un enfoque basado en CRISP-ML(Q) y Kanban, combinando un marco de análisis de datos con gestión ágil del desarrollo.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se mide el rendimiento de los modelos?",{"text":85,"@type":77},"La evaluación se realiza con métricas como precisión, recall, F1-score y el área bajo la curva (AUC) para seleccionar el modelo más adecuado.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]