Uso de técnicas de machine learning para la detección temprana de Ransomware

Autores
Heinen, Gonzalo; Milano, Mayra Alejandra; Kamlofsky, Jorge
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Se explora el impacto de la convergencia entre redes de Tecnología Operacional (OT) y de Tecnologías de la Información (IT) en infraestructuras críticas, poniendo especial énfasis en la vulnerabilidad de los sistemas SCADA ante la creciente amenaza de los Ransomware. Para enfrentar este desafío, se describe un experimento que evalúa la capacidad de algoritmos de aprendizaje automático (Machine Learning) para detectar actividades maliciosas en fases tempranas de un ataque, antes de que el malware logre propagarse o cifrar datos críticos. Mediante la simulación de un entorno de red que integra componentes IT y OT de forma realista, se busca demostrar la eficacia de técnicas de análisis de comportamiento y de identificación de patrones anómalos para reforzar la seguridad de sistemas industriales estratégicos y mitigar el impacto de incidentes cibernéticos.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Infraestructuras críticas
Ciberseguridad
Redes OT
Sistemas SCADA
Ransomware
Machine Learning
Convergencia IT/OT
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/184352
Acceder
id SEDICI_5def7e169a93673df9d63816031f0afd
oai_identifier_str oai:sedici.unlp.edu.ar:10915/184352
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Uso de técnicas de machine learning para la detección temprana de RansomwareHeinen, GonzaloMilano, Mayra AlejandraKamlofsky, JorgeCiencias InformáticasInfraestructuras críticasCiberseguridadRedes OTSistemas SCADARansomwareMachine LearningConvergencia IT/OTSe explora el impacto de la convergencia entre redes de Tecnología Operacional (OT) y de Tecnologías de la Información (IT) en infraestructuras críticas, poniendo especial énfasis en la vulnerabilidad de los sistemas SCADA ante la creciente amenaza de los Ransomware. Para enfrentar este desafío, se describe un experimento que evalúa la capacidad de algoritmos de aprendizaje automático (Machine Learning) para detectar actividades maliciosas en fases tempranas de un ataque, antes de que el malware logre propagarse o cifrar datos críticos. Mediante la simulación de un entorno de red que integra componentes IT y OT de forma realista, se busca demostrar la eficacia de técnicas de análisis de comportamiento y de identificación de patrones anómalos para reforzar la seguridad de sistemas industriales estratégicos y mitigar el impacto de incidentes cibernéticos.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf649-653http://sedici.unlp.edu.ar/handle/10915/184352spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-10-15T11:42:04Zoai:sedici.unlp.edu.ar:10915/184352Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-10-15 11:42:04.754SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Uso de técnicas de machine learning para la detección temprana de Ransomware
title Uso de técnicas de machine learning para la detección temprana de Ransomware
spellingShingle Uso de técnicas de machine learning para la detección temprana de Ransomware
Heinen, Gonzalo
Ciencias Informáticas
Infraestructuras críticas
Ciberseguridad
Redes OT
Sistemas SCADA
Ransomware
Machine Learning
Convergencia IT/OT
title_short Uso de técnicas de machine learning para la detección temprana de Ransomware
title_full Uso de técnicas de machine learning para la detección temprana de Ransomware
title_fullStr Uso de técnicas de machine learning para la detección temprana de Ransomware
title_full_unstemmed Uso de técnicas de machine learning para la detección temprana de Ransomware
title_sort Uso de técnicas de machine learning para la detección temprana de Ransomware
dc.creator.none.fl_str_mv Heinen, Gonzalo
Milano, Mayra Alejandra
Kamlofsky, Jorge
author Heinen, Gonzalo
author_facet Heinen, Gonzalo
Milano, Mayra Alejandra
Kamlofsky, Jorge
author_role author
author2 Milano, Mayra Alejandra
Kamlofsky, Jorge
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Infraestructuras críticas
Ciberseguridad
Redes OT
Sistemas SCADA
Ransomware
Machine Learning
Convergencia IT/OT
topic Ciencias Informáticas
Infraestructuras críticas
Ciberseguridad
Redes OT
Sistemas SCADA
Ransomware
Machine Learning
Convergencia IT/OT
dc.description.none.fl_txt_mv Se explora el impacto de la convergencia entre redes de Tecnología Operacional (OT) y de Tecnologías de la Información (IT) en infraestructuras críticas, poniendo especial énfasis en la vulnerabilidad de los sistemas SCADA ante la creciente amenaza de los Ransomware. Para enfrentar este desafío, se describe un experimento que evalúa la capacidad de algoritmos de aprendizaje automático (Machine Learning) para detectar actividades maliciosas en fases tempranas de un ataque, antes de que el malware logre propagarse o cifrar datos críticos. Mediante la simulación de un entorno de red que integra componentes IT y OT de forma realista, se busca demostrar la eficacia de técnicas de análisis de comportamiento y de identificación de patrones anómalos para reforzar la seguridad de sistemas industriales estratégicos y mitigar el impacto de incidentes cibernéticos.
Red de Universidades con Carreras en Informática
description Se explora el impacto de la convergencia entre redes de Tecnología Operacional (OT) y de Tecnologías de la Información (IT) en infraestructuras críticas, poniendo especial énfasis en la vulnerabilidad de los sistemas SCADA ante la creciente amenaza de los Ransomware. Para enfrentar este desafío, se describe un experimento que evalúa la capacidad de algoritmos de aprendizaje automático (Machine Learning) para detectar actividades maliciosas en fases tempranas de un ataque, antes de que el malware logre propagarse o cifrar datos críticos. Mediante la simulación de un entorno de red que integra componentes IT y OT de forma realista, se busca demostrar la eficacia de técnicas de análisis de comportamiento y de identificación de patrones anómalos para reforzar la seguridad de sistemas industriales estratégicos y mitigar el impacto de incidentes cibernéticos.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/184352
url http://sedici.unlp.edu.ar/handle/10915/184352
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
649-653
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1846064428583223296
score 13.22299

Publicaciones similares