Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12008/22583
Cómo citar
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Goyeneche, Juan José | es |
dc.contributor.advisor | Betarte, Gustavo | es |
dc.contributor.advisor | Pardo, Álvaro | es |
dc.contributor.author | Montes de Marco, Nicolás | es |
dc.date.accessioned | 2019-11-28T21:29:04Z | - |
dc.date.available | 2019-11-28T21:29:04Z | - |
dc.date.issued | 2018 | es |
dc.date.submitted | 20191125 | es |
dc.identifier.citation | MONTES DE MARCO, N. Detección de anomalías para el aseguramiento de aplicaciones web. Tesis de grado. Udelar. FCEA, 2018. | es |
dc.identifier.uri | https://hdl.handle.net/20.500.12008/22583 | - |
dc.description.abstract | En este proyecto de grado se estudiaron técnicas de aprendizaje automático y reconocimiento de patrones, utilizadas para el diseño de sistemas de detección de anomalías. Particularmente se profundizó en un algoritmo denominado Fusión de Modelos Bayesiana (Bayesian Model Merging). En el mismo se combinan formalismos de Modelos Ocultos de Markov (Hidden Markov Models), Autómatas Probabilísticos, Inferencia Bayesiana y Teoría de la Información para inferir la gramática probabilística generadora de un lenguaje regular objetivo, a partir de ejemplos de entrenamiento. Se implementó el algoritmo y se experimentó en dos estudio de casos. El primero consistió en aprender un lenguaje creado artificialmente, a partir de 8 ejemplos de entrenamiento. El segundo es un prototipo que reconoce nombres de personas. El propósito fue simular la protección de una aplicación que tiene como tráfico normal nombres de personas. Los resultados son promisorios: en el primer estudio de caso se llegó al modelo generador del lenguaje regular artificial objetivo. En el segundo estudio de caso se logró crear una gramática capaz de reconocer nuevos nombres (sin sobre-generalizar) a partir de 11 ejemplos de entrenamiento. | es |
dc.format.extent | 91 p. | es |
dc.format.mimetype | application/pdf | es |
dc.language.iso | es | es |
dc.publisher | Udelar. FCEA | es |
dc.rights | Las obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad De La República. (Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014) | es |
dc.subject | Aprendizaje automático | es |
dc.subject | Modelos ocultos de Markov | es |
dc.subject | Inducción de gramáticas | es |
dc.subject | Aprendizaje bayesiano | es |
dc.subject | Ciberinteligencia | es |
dc.subject | Aprendizaje de la topología de HMM | es |
dc.subject | Algoritmos inductivos | es |
dc.subject | Autómatas probabilísticos | es |
dc.subject | Aplicaciones web | es |
dc.subject | Web application firewall | es |
dc.subject | Mod security | es |
dc.subject.other | SEGURIDAD INFORMATICA | es |
dc.subject.other | INTELIGENCIA ARTIFICIAL | es |
dc.subject.other | CORTAFUEGOS | es |
dc.subject.other | APLICACIONES WEB | es |
dc.subject.other | APRENDIZAJE AUTOMATICO | es |
dc.title | Detección de anomalías para el aseguramiento de aplicaciones web | es |
dc.type | Tesis de grado | es |
thesis.degree.grantor | Universidad de la República (Uruguay). Facultad de Ciencias Económicas y de Administración | es |
thesis.degree.name | Licenciado en Estadística | es |
dc.rights.licence | Licencia Creative Commons Atribución – No Comercial – Sin Derivadas (CC BY-NC-ND 4.0) | es |
Aparece en las colecciones: | Trabajos Finales de Grado de la Licenciatura en Estadística - Facultad de Ciencias Económicas y de Administración |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | ||
---|---|---|---|---|---|
MCD4611.pdf | 1,07 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons