Mostrar el registro sencillo del ítem

dc.contributorEscuela de Ingenierias Industrial, Informática y Aeroespaciales_ES
dc.contributor.authorEscudero García, David
dc.contributor.authorCastro García, Noemí de 
dc.contributor.authorCarriegos Vieira, Miguel 
dc.contributor.editorFuentes, José María de
dc.contributor.editorGonzález, Lorena
dc.contributor.editorSancho, José Carlos
dc.contributor.editorAyerbe, Ana
dc.contributor.editorEscalante, María Luisa
dc.contributor.otherMatematica Aplicadaes_ES
dc.date2022-06
dc.date.accessioned2024-05-03T12:44:37Z
dc.date.available2024-05-03T12:44:37Z
dc.identifier.citationEscudero García, D., DeCastro García, N., & V. Carriegos, M. (2022). Extracción de variables para caracterización multi-clase de la severidad de IPs. En J. M. de Fuentes, L. González Manzano, J. C. Sancho Núñez, A. Ayerbe, & L. M. Alcocer Escalante (eds.), Investigación en Ciberseguridad Actas de las VII Jornadas Nacionales (7º.2022.Bilbao) (pp. 14-21). Fundación Tecnalia Research and Innovation.es_ES
dc.identifier.isbn978-84-88734-13-6es_ES
dc.identifier.otherhttps://2022.jnic.es/Actas_JNIC_2022_v11.pdfes_ES
dc.identifier.urihttps://hdl.handle.net/10612/20308
dc.description.abstract[ES] Determinar la severidad de un incidente de ciberseguridad es fundamental para establecer medidas efectivas contra el mismo. En este contexto, el aprendizaje automático es utilizado para crear modelos capaces de clasificar y predecir la peligrosidad de los eventos de ciberseguridad. Uno de los aspectos más importantes en el uso de este tipo de técnicas es la extracción de variables que permitan obtener modelos eficientes. El objetivo de este trabajo es construir un conjunto de variables o features que caracterice la maliciosidad de una dirección IP de manera multi-clase. La configuración final son 23 variables: 18 de ellas obtenidas mediante series temporales y listas de reputación, y 5 relacionadas con la geolocalización de la IP. No solo se han extraído las features, sino que se ha realizado un análisis estadístico para estudiar su adecuación y optimización. En el caso de las variables de geolocalización, por los posibles cambios que pueden sufrir en el tiempo. En el caso de las series temporales, por los hiper-parámetros inherentes a la construcción de las variables.es_ES
dc.languagespaes_ES
dc.publisherFundación Tecnalia Research and Innovationes_ES
dc.relation.ispartofInvestigación en Ciberseguridad. Actas de las VII Jornadas Nacionales (7º.2022.Bilbao)es_ES
dc.rightsAtribución 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectEstadísticaes_ES
dc.subjectInformáticaes_ES
dc.subjectIngeniería de sistemases_ES
dc.subject.otherSeveridades_ES
dc.subject.otherAprendizaje automáticoes_ES
dc.subject.otherSelección de variableses_ES
dc.subject.otherDirecciones IPes_ES
dc.titleExtracción de variables para caracterización multi-clase de la severidad de IPses_ES
dc.typeinfo:eu-repo/semantics/conferenceProceedingses_ES
dc.relation.projectIDEste trabajo se enmarca dentro de los contratos art. 83 Adenda 3: Machine learning para la calidad de los datos del modelo de inteligencia de INCIBE y Adenda 7: Prórroga de la Adenda 3 entre la Universidad de León e INCIBE en el periodo 2018-2022. Además, queremos agradecer a Diego Asterio de Zaballa el trabajo realizado en RIASC desde septiembre de 2020 a septiembre de 2021 y que forma parte de esta investigaciónes_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.page.initial14es_ES
dc.page.final21es_ES
dc.subject.unesco1203.17 Informáticaes_ES
dc.subject.unesco1207.15 Fiabilidad de Sistemases_ES
dc.subject.unesco1209.01 Estadística Analíticaes_ES
dc.description.projectInstituto Nacional de Ciberseguridades_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución 4.0 Internacional