USO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED

Aug 5, 2026

Subir por Skyler

El estudio integra técnicas de Machine Learning (ML) con el sistema de detección de intrusiones Snort para mejorar la identificación de ataques DDoS. El objetivo principal es reducir los falsos positivos y elevar la precisión en entornos de redes complejas. La metodología se basa en entrenar un modelo Random Forest con el dataset CICIDS2017 y aplicarlo junto a Snort en un entorno de red controlado. Los resultados evidencian incrementos notables: precisión 52.8% a 70.71%, exactitud 50.8% a 65.68% y F1-Score 64.5% a 78.42%.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas8

Tiempo de lectura12 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Metodología

Resultados y métricas

Recomendaciones

UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO TÍTULO USO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED AUTOR Carrizo Garcia, Luis Eduardo TRABAJO DE TITULACIÓN Previo a la obtención del grado académico en MAGÍSTER EN CIBERSEGURIDAD TUTOR Álvarez Galarza, María Daniela Santa Elena, Ecuador UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO TRIBUNAL DE SUSTENTACIÓN Ing. Alicia Andrade Vera, Mgtr. COORDINADORA DEL PROGRAMA Ing. Jaime Benjamín Orozco Iguasnia, Mgtr. DOCENTEESPECIALISTA Ing. María Daniela Álvarez Galarza, Mgtr. TUTOR Ing. Edisson Pompilio Quintuña Padilla, Mgtr. DOCENTEESPECIALISTA Abg. María Rivera González, MSc. SECRETARIA GENERAL UPSE UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO CERTIFICACIÓN Certifico que luego de haber dirigido científica y técnicamente el desarrollo y estructura final del trabajo, este cumple y se ajusta a los estándares académicos, razón por el cualapruebo en todas sus partes el presente trabajo de titulación que fue realizado en su totalidad por Luis Eduardo Carrizo Garcia, como requerimiento para la obtención del título de Magíster en Ciberseguridad. TUTOR María Daniela Álvarez Galarza Santa Elena, 21 de octubre de 2024 UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO DECLARACIÓN DE RESPONSABILIDAD Yo, LUIS EDUARDO CARRIZO GARCIA DECLARO QUE: El trabajo de Titulación, USO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED previo a laobtención del título en Magíster en Ciberseguridad, ha sido desarrollado respetando derechos intelectuales de terceros conforme las citas que constan en el documento, cuyas fuentes se incorporan en las referencias o bibliografías. Consecuentemente este trabajo es de mi total autoría. En virtud de esta declaración, me responsabilizo del contenido, veracidad y alcance del Trabajo de Titulación referido. Santa Elena, 21 de octubre de 2024 EL AUTOR Luis Eduardo Carrizo Garcia UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO AUTORIZACIÓN Yo, LUIS EDUARDO CARRIZO GARCIA Autorizo a la Universidad Estatal Península de Santa Elena, para que haga de este trabajo de titulación o parte de él, un documento disponible para su lectura consulta y procesos de investigación, según las normas de la Institución. Cedo los derechos en línea patrimoniales de artículo profesional de alto nivel con fines de difusión pública, además apruebo la reproducción de este artículo académico dentrode las regulaciones de la Universidad, siempre y cuando esta reproducción no suponga una ganancia económica y se realice respetando mis derechos de autor. Santa Elena, 21 de octubre de 2024 EL AUTOR Luis Eduardo Carrizo Garcia UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA FACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO TEMA Autor: Luis Eduardo Carrizo Garcia Tutora: María Daniela Álvarez Galarza RESUMEN Este estudio integra técnicas de Machine Learning (ML) con el sistema de detección de intrusiones Snort para mejorar la identificación de ataques DDoS. El objetivo es reducir los falsos positivos y aumentar la precisión en la detección de amenazas en redes complejas. Elmétodo consistió en entrenar un modelo Random Forest utilizando el dataset CICIDS2017 yluego implementarlo junto a Snort en un entorno de red controlado. Los resultados mostraron un aumento en la precisión del 52.8% al 70.71%, y en la exactitud del 50.8% al 65.68%, conun incremento del F1-Score de 64.5% a 78.42%. Estos hallazgos demuestran que la integraciónde ML con Snort mejora significativamente la capacidad de detección y mitigación de i

Preguntas frecuentes

Cuál es el objetivo del estudio al integrar Machine Learning con Snort?

Reducir los falsos positivos y aumentar la precisión de detección de amenazas, especialmente ante ataques DDoS en redes complejas.

Qué metodología se emplea para la mejora de la detección?

Se entrena un modelo Random Forest con el dataset CICIDS2017 y se implementa junto a Snort en un entorno de red controlado.

Qué mejoras reportan los resultados en las métricas del sistema?

La precisión sube de 52.8% a 70.71%, la exactitud de 50.8% a 65.68% y el F1-Score de 64.5% a 78.42%.

Aug 5, 2026

Subir por Skyler