Show simple item record

dc.contributor.advisorSotelo Monge, Marco Antonioes_PE
dc.contributor.authorMoncada Vargas, Andrés Eduardo
dc.date.accessioned2021-08-11T01:16:30Z
dc.date.available2021-08-11T01:16:30Z
dc.date.issued2021
dc.identifier.citationMoncada Vargas, A. E. (2021). Comparación de técnicas de machine learning para detección de sitios web de phishing [Tesis para optar el Título Profesional de Ingeniero de Sistemas, Universidad de Lima]. Repositorio institucional de la Universidad de Lima. https://hdl.handle.net/20.500.12724/13842es_PE
dc.identifier.urihttps://hdl.handle.net/20.500.12724/13842
dc.description.abstractEl phishing es el robo de datos personales a través de páginas web falsas. La víctima de este robo es dirigida a esta página falsa, donde se le solicita ingresar sus datos para validar su identidad. Es en ese momento que se realiza el robo, ya que al ingresar sus datos, estos son almacenados y usados por el hacker responsable de dicho ataque para venderlos o ingresar a las entidades y realizar robos o estafas. Para este trabajo se ha investigado sobre distintos métodos de detección de páginas web phishing utilizando técnicas de machine learning. Así, el propósito de este trabajo es realizar una comparación de dichas técnicas que han demostrado ser las más efectivas en la detección de los sitios web phishing. Los resultados obtenidos demuestran que los clasificadores de árboles, denominados Árbol de Decisión y Bosque Aleatorio, han alcanzado las mayores tasas de precisión y efectividad, con valores de entre 97 % y 99 % en la detección de este tipo de páginas.es_PE
dc.description.abstractPhishing is the theft of personal data through fake websites. Victims of this type of theftar e directed to a fake website, where they are asked to enter their data to validate their identity. At that moment, theft is carried out, since entered data are stored and used by the hacker responsible for said attack to sell them or enter to websites and perform a fraud or scam. In order to conduct this work, we researched different methods for detecting phishing websites by using machine learning techniques. Thus, the purpose of this work is to compare machine learning techniques that have demonstrated to be the most effective methods to detect phishing websites. The results show that decision tree classifiers such as Decision Tree and Random Forest have achieved the highest accuracy and efficacy rates, with values between 97% and 99%, in detecting these types of websites.en_EN
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad de Limaes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/*
dc.sourceRepositorio Institucional - Ulimaes_PE
dc.sourceUniversidad de Limaes_PE
dc.subjectAprendizaje automáticoes_PE
dc.subjectSuplantación de identidades_PE
dc.subjectProtección de datoses_PE
dc.subjectMachine learningen_EN
dc.subjectPhishingen_EN
dc.subjectData Protectionen_EN
dc.subject.classificationIngeniería de sistemas / Softwarees_PE
dc.titleComparación de técnicas de machine learning para detección de sitios web de phishinges_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.disciplineIngeniería de sistemases_PE
thesis.degree.grantorUniversidad de Lima. Facultad de Ingeniería y Arquitecturaes_PE
thesis.degree.levelTítulo profesionales_PE
thesis.degree.nameIngeniero de sistemases_PE
dc.publisher.countryPerúes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04es_PE
renati.author.dni73884395
renati.advisor.orcidhttps://orcid.org/0000-0001-6392-0216es_PE
renati.advisor.dni41587313
renati.jurorNina Hanco, Hernán
renati.jurorDíaz Parra, José Raúl
renati.jurorTorres Paredes, Carlos Martín
renati.jurorSotelo Monge, Marco Antonio
renati.levelhttp://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttp://purl.org/pe-repo/renati/type#tesises_PE
renati.discipline612076es_PE


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess