Minería de datos aplicada en detección de intrusos

Tenelanda V., Germán; Vallejo P., Diego

doi:10.21500/20275846.264

Minería de datos aplicada en detección de intrusos

Con base a los fundamentos y técnicas de la minería de datos se pueden diseñar y elaborar modelos que permiten encontrar comportamientos clandestinos de fácil detección a simple vista como lo es la información no evidente -desconocida a priori y potencialmente útil- en referencia a hechos determinados. En particular la utilidad de la minería de datos en esta área radica en una serie de técnicas, algoritmos y métodos que imitan la característica humana del aprendizaje: ser capaz de extraer nuevos conocimientos a partir de las experiencias. La minería de datos posee características como: análisis de grandes volúmenes de información, generación de comportamientos que no son fácilmente perceptibles, depuración de datos para toma de decisiones.... Ver más

Guardado en:

Revista

Ingenierías USBMed

EISSN

2027-5846

Autores

Tenelanda V., Germán

Vallejo P., Diego

Editor

UNIVERSIDAD DE SAN BUENAVENTURA

DOI

10.21500/20275846.264

Volumen

Año de publicación

2012-06-30

Pagina inicial

Pagina final

Pais

Colombia

Palabras claves

fuga de datos

vulnerabilidades. Attacks

denegación de servicios

Licencia

Revista Ingenierias USBmed - 2015

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

id	e37d05186c00d4a60427f906335fe1f9
record_format	ojs
spelling	Minería de datos aplicada en detección de intrusos KDD Cup 1999 Data. Online [Jun. 2011]. Universidad San Buenaventura - USB (Colombia) Ingenierías USBMed https://revistas.usb.edu.co/index.php/IngUSBmed/article/view/264 Español https://creativecommons.org/licenses/by-nc-sa/4.0/ Revista Ingenierias USBmed - 2015 M. S. Shin & K. J. Jeong. “Alert Correlation Analysis in Intrusion Detection”. Proceedings of the Second international conference on Advanced Data Mining and Applications ADMA'06, pp. 1049-1056, 2006. M. Xue & C. Zhu. “Applied Research on Data Mining Algorithm in Network Intrusion Detection”. Proceedings International Joint Conference on Artificial Intelligence JCAI '09, pp. 275-277, 2009. M. Castellano & G. B. de Grecis. “Applying a Flexible Mining Architecture to Intrusion Detection”. Proceedings Second International Conference on Availability, Reliability and Security, ARES 2007, pp. 845-852, 2007. IBM. SPSS Modeler. Online [Jun. 2011]. P. Chapman et al. “CRISP-DM 1.0: Step-by-step data mining guide”. SPSS Inc., 2000. Artículo de revista Wikipedia. “Ataque de denegación de servicio”. Online [Jun. 2011]. L. Wenke et al. “Real Time Data Mining-based Intrusion Detection”. DARPA Information Survivability Conference and Exposition, pp. 89-101, 2000. L. Zenghui & L. Yingxu. “A Data Mining Framework for Building Intrusion Detection Models Based on IPv6”. Proceedings of the 3rd International Conference and Workshops on Advances in Information Security and Assurance ISA '09, pp. 608-628, 2009. info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text application/pdf Publication Núm. 1 , Año 2012 : Ingenierías USBMed fuga de datos vulnerabilidades. Attacks predicción modelado modelo minería de datos intrusiones denegación de servicios 1 datos ciber-terrorismo Ataques Tenelanda V., Germán Vallejo P., Diego Con base a los fundamentos y técnicas de la minería de datos se pueden diseñar y elaborar modelos que permiten encontrar comportamientos clandestinos de fácil detección a simple vista como lo es la información no evidente -desconocida a priori y potencialmente útil- en referencia a hechos determinados. En particular la utilidad de la minería de datos en esta área radica en una serie de técnicas, algoritmos y métodos que imitan la característica humana del aprendizaje: ser capaz de extraer nuevos conocimientos a partir de las experiencias. La minería de datos posee características como: análisis de grandes volúmenes de información, generación de comportamientos que no son fácilmente perceptibles, depuración de datos para toma de decisiones. Estas características pueden ser de vital importancia para ser aplicadas en la seguridad de la información a través de la detección de intrusos. En la actualidad la seguridad de la información es uno de los grandes retos que tiene el mundo, y en especial, la detección de anomalías en los registros de acceso de los diferentes sistemas de información. Con esta aplicabilidad resulta un método básico y muy eficiente de poder prevenir intrusiones. Se centra el campo de en la detección de intrusos al nutrir el proceso de seguimiento de los acontecimientos que ocurren en la red informática, seguido del análisis de los mismos; con el fin de detectar los factores que ponen en peligro la confidencialidad, integridad, disponibilidad y no repudio de los datos. En el presente trabajo se pretende mostrar el aporte a la seguridad de la información de la minería de datos en el contexto de la detección de intrusos. cyberterrorism data 3 data mining denial of service intrusions vulnerabilities leakage m Journal article Minería de datos aplicada en detección de intrusos 61 2012-06-30T00:00:00Z 2012-06-30T00:00:00Z https://revistas.usb.edu.co/index.php/IngUSBmed/article/download/264/178 50 2027-5846 10.21500/20275846.264 https://doi.org/10.21500/20275846.264 2012-06-30
institution	UNIVERSIDAD DE SAN BUENAVENTURA
thumbnail	https://nuevo.metarevistas.org/UNIVERSIDADDESANBUENAVENTURA_COLOMBIA/logo.png
country_str	Colombia
collection	Ingenierías USBMed
title	Minería de datos aplicada en detección de intrusos
spellingShingle	Minería de datos aplicada en detección de intrusos Tenelanda V., Germán Vallejo P., Diego fuga de datos vulnerabilidades. Attacks predicción modelado modelo minería de datos intrusiones denegación de servicios datos ciber-terrorismo Ataques cyberterrorism data data mining denial of service intrusions vulnerabilities leakage
title_short	Minería de datos aplicada en detección de intrusos
title_full	Minería de datos aplicada en detección de intrusos
title_fullStr	Minería de datos aplicada en detección de intrusos
title_full_unstemmed	Minería de datos aplicada en detección de intrusos
title_sort	minería de datos aplicada en detección de intrusos
title_eng	Minería de datos aplicada en detección de intrusos
description	Con base a los fundamentos y técnicas de la minería de datos se pueden diseñar y elaborar modelos que permiten encontrar comportamientos clandestinos de fácil detección a simple vista como lo es la información no evidente -desconocida a priori y potencialmente útil- en referencia a hechos determinados. En particular la utilidad de la minería de datos en esta área radica en una serie de técnicas, algoritmos y métodos que imitan la característica humana del aprendizaje: ser capaz de extraer nuevos conocimientos a partir de las experiencias. La minería de datos posee características como: análisis de grandes volúmenes de información, generación de comportamientos que no son fácilmente perceptibles, depuración de datos para toma de decisiones. Estas características pueden ser de vital importancia para ser aplicadas en la seguridad de la información a través de la detección de intrusos. En la actualidad la seguridad de la información es uno de los grandes retos que tiene el mundo, y en especial, la detección de anomalías en los registros de acceso de los diferentes sistemas de información. Con esta aplicabilidad resulta un método básico y muy eficiente de poder prevenir intrusiones. Se centra el campo de en la detección de intrusos al nutrir el proceso de seguimiento de los acontecimientos que ocurren en la red informática, seguido del análisis de los mismos; con el fin de detectar los factores que ponen en peligro la confidencialidad, integridad, disponibilidad y no repudio de los datos. En el presente trabajo se pretende mostrar el aporte a la seguridad de la información de la minería de datos en el contexto de la detección de intrusos.
author	Tenelanda V., Germán Vallejo P., Diego
author_facet	Tenelanda V., Germán Vallejo P., Diego
topicspa_str_mv	fuga de datos vulnerabilidades. Attacks predicción modelado modelo minería de datos intrusiones denegación de servicios datos ciber-terrorismo Ataques cyberterrorism data data mining denial of service intrusions vulnerabilities leakage
topic	fuga de datos vulnerabilidades. Attacks predicción modelado modelo minería de datos intrusiones denegación de servicios datos ciber-terrorismo Ataques cyberterrorism data data mining denial of service intrusions vulnerabilities leakage
topic_facet	fuga de datos vulnerabilidades. Attacks predicción modelado modelo minería de datos intrusiones denegación de servicios datos ciber-terrorismo Ataques cyberterrorism data data mining denial of service intrusions vulnerabilities leakage
citationvolume	3
citationissue	1
citationedition	Núm. 1 , Año 2012 : Ingenierías USBMed
publisher	Universidad San Buenaventura - USB (Colombia)
ispartofjournal	Ingenierías USBMed
source	https://revistas.usb.edu.co/index.php/IngUSBmed/article/view/264
language	Español
format	Article
rights	https://creativecommons.org/licenses/by-nc-sa/4.0/ Revista Ingenierias USBmed - 2015 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2
references	KDD Cup 1999 Data. Online [Jun. 2011]. M. S. Shin & K. J. Jeong. “Alert Correlation Analysis in Intrusion Detection”. Proceedings of the Second international conference on Advanced Data Mining and Applications ADMA'06, pp. 1049-1056, 2006. M. Xue & C. Zhu. “Applied Research on Data Mining Algorithm in Network Intrusion Detection”. Proceedings International Joint Conference on Artificial Intelligence JCAI '09, pp. 275-277, 2009. M. Castellano & G. B. de Grecis. “Applying a Flexible Mining Architecture to Intrusion Detection”. Proceedings Second International Conference on Availability, Reliability and Security, ARES 2007, pp. 845-852, 2007. IBM. SPSS Modeler. Online [Jun. 2011]. P. Chapman et al. “CRISP-DM 1.0: Step-by-step data mining guide”. SPSS Inc., 2000. Wikipedia. “Ataque de denegación de servicio”. Online [Jun. 2011]. L. Wenke et al. “Real Time Data Mining-based Intrusion Detection”. DARPA Information Survivability Conference and Exposition, pp. 89-101, 2000. L. Zenghui & L. Yingxu. “A Data Mining Framework for Building Intrusion Detection Models Based on IPv6”. Proceedings of the 3rd International Conference and Workshops on Advances in Information Security and Assurance ISA '09, pp. 608-628, 2009.
type_driver	info:eu-repo/semantics/article
type_coar	http://purl.org/coar/resource_type/c_6501
type_version	info:eu-repo/semantics/publishedVersion
type_coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content	Text
publishDate	2012-06-30
date_accessioned	2012-06-30T00:00:00Z
date_available	2012-06-30T00:00:00Z
url	https://revistas.usb.edu.co/index.php/IngUSBmed/article/view/264
url_doi	https://doi.org/10.21500/20275846.264
eissn	2027-5846
doi	10.21500/20275846.264
citationstartpage	50
citationendpage	61
url2_str_mv	https://revistas.usb.edu.co/index.php/IngUSBmed/article/download/264/178
_version_	1798736030925324288

Minería de datos aplicada en detección de intrusos

Código QR

Estadísticas y Métricas Alternativas

Títulos similares