[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-127236-110":3,"detail-sidebar-cat-0-es-110":81,"doc-detail-127236-es":124},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":74,"head_meta":76,"extra_data":78,"updated_unix":80},110,"es","use-of-open-source-software-and-machine-learning-to-improve-intrusion-detection-in-a-network","USO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED","","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%.",{"@graph":14,"@context":73},[15,34,56],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/es/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/es/document/investigación-e-informes/","Investigación e Informes",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/es/document/use-of-open-source-software-and-machine-learning-to-improve-intrusion-detection-in-a-network/127236/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/use-of-open-source-software-and-machine-learning-to-improve-intrusion-detection-in-a-network/127236.png","ImageObject",300,407,{"name":42,"@type":43},"Skyler","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-09-20","2026-08-05",true,{"@type":52,"interactionType":53,"userInteractionCount":55},"InteractionCounter",{"@type":54},"ViewAction",6,{"@type":57,"mainEntity":58},"FAQPage",[59,65,69],{"name":60,"@type":61,"acceptedAnswer":62},"Cuál es el objetivo del estudio al integrar Machine Learning con Snort?","Question",{"text":63,"@type":64},"Reducir los falsos positivos y aumentar la precisión de detección de amenazas, especialmente ante ataques DDoS en redes complejas.","Answer",{"name":66,"@type":61,"acceptedAnswer":67},"Qué metodología se emplea para la mejora de la detección?",{"text":68,"@type":64},"Se entrena un modelo Random Forest con el dataset CICIDS2017 y se implementa junto a Snort en un entorno de red controlado.",{"name":70,"@type":61,"acceptedAnswer":71},"Qué mejoras reportan los resultados en las métricas del sistema?",{"text":72,"@type":64},"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%.","https://schema.org",{"og:url":32,"og:type":75,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":77,"canonical":32},"index,follow",{"doc_id":79,"site_id":7},127236,1785937674,{"code":4,"msg":82,"data":83},"success",[84,89,93,97,101,104,108,112,116,120],{"id":85,"doc_module":4,"doc_module_name":25,"category_name":86,"show_sort_weight":87,"slug":88},39,"Cómic",60,"comic",{"id":90,"doc_module":4,"doc_module_name":25,"category_name":91,"show_sort_weight":87,"slug":92},43,"Estilo de Vida","lifestyle",{"id":94,"doc_module":4,"doc_module_name":25,"category_name":95,"show_sort_weight":87,"slug":96},38,"Examen","exam",{"id":98,"doc_module":4,"doc_module_name":25,"category_name":99,"show_sort_weight":87,"slug":100},44,"General","general",{"id":102,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":87,"slug":103},41,"research-report",{"id":105,"doc_module":4,"doc_module_name":25,"category_name":106,"show_sort_weight":87,"slug":107},37,"Literatura","literature",{"id":109,"doc_module":4,"doc_module_name":25,"category_name":110,"show_sort_weight":87,"slug":111},22,"Relatos y Novelas","story-novel",{"id":113,"doc_module":4,"doc_module_name":25,"category_name":114,"show_sort_weight":87,"slug":115},42,"Religión y Espiritualidad","religion-spirituality",{"id":117,"doc_module":4,"doc_module_name":25,"category_name":118,"show_sort_weight":87,"slug":119},40,"Salud y Atención Médica","healthcare",{"id":121,"doc_module":4,"doc_module_name":25,"category_name":122,"show_sort_weight":87,"slug":123},24,"Tecnología","technology",{"code":4,"msg":82,"data":125},{"doc_id":79,"user_id":126,"nickname":42,"user_avatar":127,"doc_module":4,"category_id":102,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":128,"file_id":129,"file_url":130,"file_type":131,"file_size":132,"view_count":55,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":133,"language":134,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":135,"faqs":136,"seo_title":137,"seo_description":12,"update_tm":80,"read_time":138},2336475104042,"https://ap-avatar.wpscdn.com/avatar/22000c4c32af1715be0?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786537525561427321","UNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nTÍTULO  \nUSO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED  \nAUTOR  \nCarrizo Garcia, Luis Eduardo  \nTRABAJO DE TITULACIÓN  \nPrevio a la obtención del grado académico en MAGÍSTER EN CIBERSEGURIDAD  \nTUTOR  \nÁlvarez Galarza, María Daniela  \nSanta Elena, Ecuador  \nUNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nTRIBUNAL DE SUSTENTACIÓN  \nIng. Alicia Andrade Vera, Mgtr. COORDINADORA DEL  \nPROGRAMA  \nIng. Jaime Benjamín Orozco Iguasnia, Mgtr.  \nDOCENTEESPECIALISTA  \nIng. María Daniela Álvarez Galarza, Mgtr.  \nTUTOR  \nIng. Edisson Pompilio Quintuña Padilla, Mgtr.  \nDOCENTEESPECIALISTA  \nAbg. María Rivera González, MSc. SECRETARIA GENERAL  \nUPSE  \nUNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nCERTIFICACIÓN  \nCertifico 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.  \nTUTOR  \nMaría Daniela Álvarez Galarza  \nSanta Elena, 21 de octubre de 2024  \nUNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nDECLARACIÓN DE RESPONSABILIDAD  \nYo, LUIS EDUARDO CARRIZO GARCIA  \nDECLARO QUE:  \nEl 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.  \nEn virtud de esta declaración, me responsabilizo del contenido, veracidad y alcance del Trabajo de Titulación referido.  \nSanta Elena, 21 de octubre de 2024  \nEL AUTOR  \nLuis Eduardo Carrizo Garcia  \nUNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nAUTORIZACIÓN  \nYo, LUIS EDUARDO CARRIZO GARCIA  \nAutorizo 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.  \nCedo 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.  \nSanta Elena, 21 de octubre de 2024  \nEL AUTOR  \nLuis Eduardo Carrizo Garcia  \nUNIVERSIDAD ESTATAL PENÍNSULADE SANTA ELENA  \nFACULTAD DE SISTEMAS Y TELECOMUNICACIONES INSTITUTO DE POSTGRADO  \nTEMA  \nAutor: Luis Eduardo Carrizo Garcia  \nTutora: María Daniela Álvarez Galarza  \nRESUMEN  \nEste 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","cbCait0k2sNFjxC1","https://ap.wps.com/l/cbCait0k2sNFjxC1","pdf",347554,8,"Spanish","# Resumen\n## Metodología\n## Resultados y métricas\n## Recomendaciones","[{\"question\":\"Cuál es el objetivo del estudio al integrar Machine Learning con Snort?\",\"answer\":\"Reducir los falsos positivos y aumentar la precisión de detección de amenazas, especialmente ante ataques DDoS en redes complejas.\"},{\"question\":\"Qué metodología se emplea para la mejora de la detección?\",\"answer\":\"Se entrena un modelo Random Forest con el dataset CICIDS2017 y se implementa junto a Snort en un entorno de red controlado.\"},{\"question\":\"Qué mejoras reportan los resultados en las métricas del sistema?\",\"answer\":\"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%.\"}]","USO DE SOFTWARE LIBRE Y MACHINE LEARNING PARA MEJORAR LA DETECCIÓN DE INTRUSOS EN UNA RED | PDF",12]