<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">
Universidad Estatal Península de Santa ElenaPortal UPSE
Repositorio InstitucionalInvestigación y conocimiento abierto

Comparativa de algoritmos de aprendizaje automático para la detección de tipos específicos de malware en entornos adversos.

dc.contributor.advisorQuirumbay Yagual, Daniel Iván
dc.contributor.authorGuale Rosales, Luis Gabriel
dc.date.accessioned2025-12-01T19:35:40Z
dc.date.available2025-12-01T19:35:40Z
dc.date.issued2025-12-01
dc.description.abstractEl presente trabajo analiza la eficacia de diferentes algoritmos de aprendizaje automático aplicados a la detección de malware, con énfasis en la precisión, eficiencia computacional y robustez frente a amenazas. El objetivo principal fue comparar modelos como Árbol de Decisión, Random Forest y XGBoost en la clasificación de distintos tipos de malware (ransomware, spyware y troyanos). En cuanto a la metodología engloba un proceso estructurado de preprocesamiento de datos, selección de características, entrenamiento de modelos y evaluación mediante métricas de desempeño, matrices de confusión, curvas ROC y análisis de eficiencia computacional. En los resultados se observa que los algoritmos ensamblados, particularmente Random Forest y XGBoost, llegaron a mayores niveles de precisión y generalización, superando al Árbol de Decisión en ámbitos de validación. Se concluye que estos modelos representan alternativas viables para fortalecer los sistemas de seguridad informática, combinando buen desempeño predictivo con una eficiencia adecuada en procesos de detección automatizada.
dc.identifier.citationGuale Rosales, Luis Gabriel (2025). Comparativa de algoritmos de aprendizaje automático para la detección de tipos específicos de malware en entornos adversos. La Libertad. UPSE, Matriz. Instituto de Postgrado. 83p.
dc.identifier.otherUPSE-MCI-2025-0021
dc.identifier.urihttps://repositorio.upse.edu.ec/handle/46000/15564
dc.language.isospa
dc.pages83 p.
dc.publisherLa Libertad: Universidad Estatal Península de Santa Elena, 2025.
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
dc.subjectMALWARE
dc.subjectAPRENDIZAJE AUTOMÁTICO
dc.subjectCLASIFICACIÓN
dc.subjectDETECCIÓN DE AMENAZAS
dc.titleComparativa de algoritmos de aprendizaje automático para la detección de tipos específicos de malware en entornos adversos.
dc.typeinfo:eu-repo/semantics/masterThesis

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
UPSE-MCI-2025-0020.pdf
Tamaño:
2,35 MB
Formato:
Adobe Portable Document Format
Descripción:
PROPUESTA METODOLÓGICA

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: