Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/96688
Título : | Detección de anomalías en entornos del internet de las cosas |
Autoría: | Mellizo-Soto Díaz, Gonzalo |
Director: | Casas-Roma, Jordi |
Tutor: | Hernández Gañán, Carlos |
Resumen : | Durante los últimos años se encuentra una creciente cantidad de dispositivos conectados entre sí, cada vez con más aplicaciones en la industria. Estos dispositivos pueden ser atacados y provocar inestabilidad o una fuga de datos, por lo tanto la protección y la pronta detección de ataques y/o anomalías es vital en un mundo cada vez más conectado. El objetivo es la monitorización y detección de estos ataques en dispositivos del Internet of Things utilizando técnicas del estado del arte de Machine Learning para su detección y poder así responder con una mayor rapidez a los ataques. Para la detección se han utilizado modelos estadísticos, como SVM, DBScan o Isolation Forests, que en su conjunto permitan identificar con mayor precisión cuando se está produciendo un ataque. El conjunto de la clusterización con la clasificación de puntos anómalos muestra una mayor robustez, frente al uso individual de cada uno de los modelos aumentando la detección en hasta un 15 %. Se demuestra cómo el uso de los modelos permite proteger los dispositivos y mejorar la seguridad al disminuir los tiempos de reacción frente a los ataques. |
Palabras clave : | aprendizaje automático internet de las cosas detección de anomalías |
Tipo de documento: | info:eu-repo/semantics/masterThesis |
Fecha de publicación : | 8-jun-2019 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
gmellizoTFM0619memoria.pdf | Memoria del TFM | 13,05 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons