Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica
- Autores
- Catania, Carlos A.; Guerra, Jorge; Marchetta, Martín G.; Caffaratti, Gabriel; Cortez, Lucía; Rezinovsky, Alfredo; Palau, Franco; Romero, Juan Manuel
- Año de publicación
- 2021
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En el contexto de la seguridad de redes de datos, un nombre de dominio generado de manera algorítmica (DGA, de sus siglas en inglés) es utilizado por el software malicioso (malware) para generar de manera dinámica un gran número de nombres de dominios de manera pseudo aleatoria, y luego utilizar un subconjunto de estos como parte del canal de Comando y Control (C&C). El presente proyecto se enfoca en el desarrollo de algoritmos de detección de DGA mediante la utilización de algoritmos de aprendizaje de máquinas en general y las redes neuronales profundas en particular. Durante el último periodo del proyecto, se ha puesto especial énfasis en la puesta a punto de los modelos obtenidos con vista a su despliegue en ambientes de producción. En particular lo referido a la evaluación de los distintos aspectos necesarios para la estimación del error de generalización, más allá de la división aleatoria entre conjuntos de entrenamiento y prueba.
Eje: Seguridad informática.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Seguridad de Redes
Detección de Anomalías
Aprendizaje Automático - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/120466
Ver los metadatos del registro completo
id |
SEDICI_879e8d5db2e33c89be675a37ad18ad2d |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/120466 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmicaCatania, Carlos A.Guerra, JorgeMarchetta, Martín G.Caffaratti, GabrielCortez, LucíaRezinovsky, AlfredoPalau, FrancoRomero, Juan ManuelCiencias InformáticasSeguridad de RedesDetección de AnomalíasAprendizaje AutomáticoEn el contexto de la seguridad de redes de datos, un nombre de dominio generado de manera algorítmica (DGA, de sus siglas en inglés) es utilizado por el software malicioso (malware) para generar de manera dinámica un gran número de nombres de dominios de manera pseudo aleatoria, y luego utilizar un subconjunto de estos como parte del canal de Comando y Control (C&C). El presente proyecto se enfoca en el desarrollo de algoritmos de detección de DGA mediante la utilización de algoritmos de aprendizaje de máquinas en general y las redes neuronales profundas en particular. Durante el último periodo del proyecto, se ha puesto especial énfasis en la puesta a punto de los modelos obtenidos con vista a su despliegue en ambientes de producción. En particular lo referido a la evaluación de los distintos aspectos necesarios para la estimación del error de generalización, más allá de la división aleatoria entre conjuntos de entrenamiento y prueba.Eje: Seguridad informática.Red de Universidades con Carreras en Informática2021-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf799-803http://sedici.unlp.edu.ar/handle/10915/120466spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0info:eu-repo/semantics/reference/hdl/10915/119487info:eu-repo/semantics/reference/hdl/10915/119490info: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:UNLP2025-09-29T11:28:30Zoai:sedici.unlp.edu.ar:10915/120466Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:28:30.629SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
title |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
spellingShingle |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica Catania, Carlos A. Ciencias Informáticas Seguridad de Redes Detección de Anomalías Aprendizaje Automático |
title_short |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
title_full |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
title_fullStr |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
title_full_unstemmed |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
title_sort |
Aplicación de redes neuronales profundas para la detección automática de nombres de dominio generados de manera algorítmica |
dc.creator.none.fl_str_mv |
Catania, Carlos A. Guerra, Jorge Marchetta, Martín G. Caffaratti, Gabriel Cortez, Lucía Rezinovsky, Alfredo Palau, Franco Romero, Juan Manuel |
author |
Catania, Carlos A. |
author_facet |
Catania, Carlos A. Guerra, Jorge Marchetta, Martín G. Caffaratti, Gabriel Cortez, Lucía Rezinovsky, Alfredo Palau, Franco Romero, Juan Manuel |
author_role |
author |
author2 |
Guerra, Jorge Marchetta, Martín G. Caffaratti, Gabriel Cortez, Lucía Rezinovsky, Alfredo Palau, Franco Romero, Juan Manuel |
author2_role |
author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Seguridad de Redes Detección de Anomalías Aprendizaje Automático |
topic |
Ciencias Informáticas Seguridad de Redes Detección de Anomalías Aprendizaje Automático |
dc.description.none.fl_txt_mv |
En el contexto de la seguridad de redes de datos, un nombre de dominio generado de manera algorítmica (DGA, de sus siglas en inglés) es utilizado por el software malicioso (malware) para generar de manera dinámica un gran número de nombres de dominios de manera pseudo aleatoria, y luego utilizar un subconjunto de estos como parte del canal de Comando y Control (C&C). El presente proyecto se enfoca en el desarrollo de algoritmos de detección de DGA mediante la utilización de algoritmos de aprendizaje de máquinas en general y las redes neuronales profundas en particular. Durante el último periodo del proyecto, se ha puesto especial énfasis en la puesta a punto de los modelos obtenidos con vista a su despliegue en ambientes de producción. En particular lo referido a la evaluación de los distintos aspectos necesarios para la estimación del error de generalización, más allá de la división aleatoria entre conjuntos de entrenamiento y prueba. Eje: Seguridad informática. Red de Universidades con Carreras en Informática |
description |
En el contexto de la seguridad de redes de datos, un nombre de dominio generado de manera algorítmica (DGA, de sus siglas en inglés) es utilizado por el software malicioso (malware) para generar de manera dinámica un gran número de nombres de dominios de manera pseudo aleatoria, y luego utilizar un subconjunto de estos como parte del canal de Comando y Control (C&C). El presente proyecto se enfoca en el desarrollo de algoritmos de detección de DGA mediante la utilización de algoritmos de aprendizaje de máquinas en general y las redes neuronales profundas en particular. Durante el último periodo del proyecto, se ha puesto especial énfasis en la puesta a punto de los modelos obtenidos con vista a su despliegue en ambientes de producción. En particular lo referido a la evaluación de los distintos aspectos necesarios para la estimación del error de generalización, más allá de la división aleatoria entre conjuntos de entrenamiento y prueba. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-04 |
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/10915/120466 |
url |
http://sedici.unlp.edu.ar/handle/10915/120466 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-3-3 info:eu-repo/semantics/altIdentifier/isbn/978-987-24611-4-0 info:eu-repo/semantics/reference/hdl/10915/119487 info:eu-repo/semantics/reference/hdl/10915/119490 |
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 799-803 |
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_ |
1844616163422633984 |
score |
13.070432 |