Detección y clasificación de zero-day malware a través de data mining y machine learning

Título:

Detección y clasificación de zero-day malware a través de data mining y machine learning

Autor:

Recordon, Augusto

Otros autores / Colaboradores:

 Ruiz Díaz, Silvia;  Pons, Claudia Fabiana; [ Director/a] 

Temas:

MINERÍA DE DATOS; APRENDIZAJE AUTOMÁTICO; REDES NEURONALES; SEGURIDAD INFORMÁTICA; 

URL:

http://sedici.unlp.edu.ar/handle/10915/117193,

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Extensión:

1 archivo (6,2 MB) : il. col.

Resumen:

Dado el constante incremento, tanto en número como en complejidad, de los ataques informáticos, los mecanismos convencionales de detección resultan ineficientes en la mayoría de los escenarios. En este contexto, la presente investigación propone determinar si técnicas de data mining y machine learning pueden ser utilizadas efectivamente para el entrenamiento de algoritmos capaces de detectar y clasificar correctamente nuevos tipos de amenazas.

Puede solicitar más fácilmente el ejemplar con: TES 20/51

Resumen 

1. Introducción

I Marco Teórico 

2. Visión Histórica 
2.1. Los riesgos inherentes de la tecnología 
2.2. Los Ataques Informáticos y el Ciberdelito 
2.3. Los avances en Inteligencia Artificial 
2.3.1. Gran capacidad de almacenamiento 
2.3.2. Alto poder de procesamiento 
2.3.3. Software requerido 
2.4. Resumen

3. Conceptos de Seguridad Informática 
3.1. Hackers 
3.2. Malware 
3.2.1. Tipos de Malware 
3.3. Métodos de detección 
3.3.1. Análisis estático 
3.3.2. Análisis dinámico 
3.3.3. Signature-based vs behavior-based 
3.3.4. La necesidad de Machine Learning 
3.4. Resumen

4. Data Mining y Tratamiento de los Datos 
4.1. El proceso del Data Mining 
4.2. Obtención de los datos
4.2.1. Tipos de datos 
4.3. Preprocesamiento de Datos
4.4. Selección e ingeniería de atributos 
4.4.1. Ingeniería de atributos en datos categóricos 
4.4.2. Normalización de atributos 
4.4.3. Selección de atributos 
4.5. Visualización de los datos
4.6. Resumen

5. Conceptos de Machine Learning 
5.1. Definición
5.2. Surgimiento del Machine Learning 
5.3. Etapas del proceso de Machine Learning 
5.4. El conjunto de datos 
5.5. Tipos de estimación 
5.5.1. Predicciones
5.5.2. Inferencias 
5.6. Métodos de estimación de f 
5.6.1. Método paramétrico 
5.6.2. Método no paramétrico 
5.7. El balance entre precisión e interpretabilidad 
5.8. Evaluación de la precisión de un modelo 
5.8.1. Calidad del ajuste (Quality of fit) 
5.8.2. Calidad de ajuste en clasificación 
5.8.3. Overfitting y Underfitting 
5.8.4. Balance entre sesgo y varianza 
5.9. Clasificación de los métodos de aprendizaje
5.10. Categorización de los métodos de aprendizaje 
5.11. Resumen

6. Modelos de Clasificación 
6.1. Logistic Regression 
6.2. k-Nearest Neighbors 
6.3. Naıve Bayes 
6.4. Support Vector Machines 
6.5. Decisión Trees 
6.6. Métodos de ensamble 
6.6.1. Random Forest 
6.6.2. XGBoost 
6.7. Redes Neuronales Artificiales y Redes Neuronales Profundas
6.8. Evaluación de modelos de clasificación 
6.8.1. Matriz de confusión
6.8.2. Receiver Operating Characteristic Curve 
6.9. Resumen