Mostrar el registro sencillo del ítem

Detección y alarma de ataques DDoS en servicio DNS

Detection and alarm of DDoS attacks in DNS service

dc.contributorTrujillo Arboleda, Luis Carlos
dc.contributorTalero Patiarroyo, Jhon Alberto
dc.contributorAlvarez Matta, Yesith Alexander
dc.creatorAbril Useche, Jhonatan Arturo
dc.creatorSanchez Rodriguez, Adriana Katherin
dc.date2024-03-15T19:20:58Z
dc.date2024-03-15T19:20:58Z
dc.date2023-11-28
dc.date.accessioned2025-10-30T13:26:50Z
dc.date.available2025-10-30T13:26:50Z
dc.identifierhttp://hdl.handle.net/10554/66885
dc.identifierinstname:Pontificia Universidad Javeriana
dc.identifierreponame:Repositorio Institucional - Pontificia Universidad Javeriana
dc.identifierrepourl:https://repository.javeriana.edu.co
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/181670
dc.descriptionPara la detección de ataques de denegación de servicio distribuido (DDoS) sobre el ser-vicio DNS, se han implementado algoritmos de aprendizaje automático Random Forest y AdaBoost. Estos algoritmos fueron previamente entrenados y evaluados utilizando con-juntos de datos proporcionados por el Instituto Canadiense de Ciberseguridad. Durante la evaluación, se obtuvo una precisión estable del 99.99% para Random Forest y una oscilación de 99.99% a 34.17% para AdaBoost. Para llevar a cabo el análisis del tráfico de red, se emplea la herramienta Cicflowmeter. Posteriormente, estos datos se someten a un proceso de clasificación mediante los modelos de aprendizaje automático previamente entrenados. El resultado de este análisis se traduce en una alerta que incluye los porcen-tajes de tráfico benigno y los diferentes tipos de ataques DDoS detectados, en un tiempo de aproximadamente 2 a 5 minutos. Con esta información los administradores de red podrán tomar decisiones y responder los incidentes de seguridad de DDoS en el servicio DNS.
dc.descriptionN/A
dc.descriptionFor the detection of Distributed Denial of Service (DDoS) attacks on the DNS service, machine learning algorithms Random Forest and AdaBoost have been implemented. These algorithms were previously trained and evaluated using datasets provided by the Canadian Cybersecurity Institute. During the evaluation, a stable accuracy of 99.99% was achieved for Random Forest, and AdaBoost exhibited an oscillation from 99.99% to 34.17%. To conduct the analysis of network traffic, the Cicflowmeter tool is employed. Subsequently, this data undergoes a classification process using the previously trained machine learning models. The result of this analysis translates into an alert that includes percentages of benign traffic and different types of detected DDoS attacks, within approx-imately 2 to 5 minutes. With this information, network administrators can make decisions and respond to DDoS security incidents on the DNS service.
dc.descriptionMagíster en Seguridad Digital
dc.descriptionMaestría
dc.formatPDF
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherPontificia Universidad Javeriana
dc.publisherMaestría en Seguridad Digital
dc.publisherFacultad de Ingeniería
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsDe acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectDNS
dc.subjectServicio de nombres de Dominio
dc.subjectDenegación distribuida de Servicio
dc.subjectAprendizaje automático
dc.subjectCiberseguridad
dc.subjectAlgoritmos de aprendizaje automático
dc.subjectTrafico de red
dc.subjectModelos de aprendizaje automático
dc.subjectConjuntos de Datos
dc.subjectRedes de datos corporativas
dc.subjectProtocolos de red
dc.subjectAnálisis de red
dc.subjectPuerto espejo
dc.subjectDNS
dc.subjectDomain name Service
dc.subjectDistributed Denial of Service
dc.subjectMachine Learning
dc.subjectCybersecurity
dc.subjectMachine learning algorithms
dc.subjectNetwork Traffic
dc.subjectMachine learning models
dc.subjectDatasets
dc.subjectCorporative data networks
dc.subjectNetwork Protocols
dc.subjectNetwork analysis
dc.subjectPort mirror
dc.subjectMaestría en seguridad digital - Tesis y disertaciones académicas
dc.subjectDelitos por computador
dc.subjectHackers (Informática)
dc.subjectAprendizaje automático (Inteligencia artificial)
dc.subjectAprendizaje automático (Inteligencia artificial)
dc.titleDetección y alarma de ataques DDoS en servicio DNS
dc.titleDetection and alarm of DDoS attacks in DNS service
dc.typehttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.typeTesis/Trabajo de grado - Monografía - Maestría
dc.typehttp://purl.org/coar/resource_type/c_bdcc
dc.typeinfo:eu-repo/semantics/masterThesis


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

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

Mostrar el registro sencillo del ítem