Search

En este artículo se muestra la aplicación de redes neuronales con el objetivo de predecir los resultados docentes que alcanzarán los estudiantes en las asignaturas Estructuras de Datos I y II, que forman parte del currículo de la carrera de Ingeniería Informática que se imparte en el Instituto Superior Politécnico José Antonio Echeverría (ISPJAE) en la República de Cuba. El presente trabajo fue motivado fundamentalmente por el hecho de que las asignaturas escogidas tienen un significativo grado de complejidad, lo que exige una importante dedicación y rigurosidad por parte de los estudiantes. Como consecuencia los resultados docentes que se obtienen actualmente en esas materias no son buenos. Con el objetivo indicado se desarrolló una aplicación, basada en el sistema MATLAB, que permite predecir resultados docentes en las materias de interés, partiendo de resultados en algunas asignaturas del año de estudio anterior y otros datos de interés. Se emplearon dos redes neuronales, ambas con la misma arquitectura, pero cada una entrenada con los datos específicos de cada asignatura (Estructuras de Datos I y II). Se realizó un grupo de experimentos para contrastar el comportamiento de las redes respecto a algunas estadísticas presentes en los datos de la muestra. En general se logró una efectividad en la predicción superior a un 78% para el caso de la primera asignatura, mientras que para la segunda se alcanzó una efectividad superior al 75%. In this paper is shown the application of neural networks in order to predict academic marks that will be obtained for the students in the subjects of Data Structures I and II, included both in the Informatics Engineering curricula at Higher Polytechnic Institute José Antonio Echeverría in the Republic of Cuba. The main motivation for the present work is justified because selected subjects have a high level of complexity, demanding from the student to be rigorous and a permanent dedication. As a consequence the academic results obtained at the present time are not satisfactory. To reach the goal mentioned above a software based on MATLAB tool was developed and the marks obtained previously by students in some subjects and others data of interest were used. Two neural networks were employed, both with the same architecture, but each one trained with the specific data of each subject (Data Structures I and II). A group of experiments was carried out to contrast the behavior of the neural networks regarding some specific statistics in the data of the sample. An overall effectiveness in prediction superior to 78% for the case of the first subject was achieved, while for the second one effectiveness superior to 75% was reached.

Los Sistemas de Detección de Intrusos (IDS) han demostrado ser una herramienta de gran valor para hacerle frente a los problemas actuales de seguridad informática. Los Sistemas de Detección de Intrusos de Red (IDS) han comenzado a ser una herramienta de gran valor para la seguridad informática. Estos IDS deben contar, desde la etapa de modelado, con características que hagan viable su implantación en las condiciones actuales destacándose eficiencia, capacidad de detección, dinamismo, escalabilidad y mantenimiento mínimo. La teoría de Sistemas Multi-Agentes (MAS) brinda un Marco formal adecuado para el modela de este tipo de sistemas. Por esta razón, el presente artículo describe formalmente, a través de un MAS, un Modelo IDS que utiliza Redes Neuronales Artificiales y el Análisis de Componentes Principales con el objetivo de lograr eficiencia y espectro de clasificación.

Los Sistemas de Detección de Intrusos (IDS) se han convertido en herramientas importantes para mantener en las TI los niveles de seguridad esperados. Es importante que estos IDS ofrezcan sus funcionalidades de forma que su espectro de detección sea amplio sin que se vea afectado su rendimiento, a la vez que mantiene características como dinamismo, escalabilidad y facilidad de gestión. Es tan importante dotar al IDS de estas características a nivel de modelo como ofrecer un sustento tecnológico que lo haga viable. Para ello, este artículo propone una Arquitectura Orientada a servicios, de N.Niveles y componentes distribuido para soportar un modelo IDS.

El modelado de un Sistema de Detección de Intrusos (IDS) es una tarea de alta complejidad donde resulta muy conveniente la formalización de un proceso para llevarlo a cabo. En este artículo se propone un Marco Formal que describe tanto el Método de Formalización a utilizar como las Herramientas formales que se emplearán en el proceso. El método general define un modelo IDS que consta de tres modelos que representan diferentes puntos de vista del mismo sistema. Primeramente parte de un Modelo Conceptual que se centra en la dimensión de los procesos y la notación Ericksson-Penker para describir las principales funcionalidades del IDS. Sus resultados sirven de entrada a la etapa de Modelado Funcional que describe el sistema centrándose en los agentes responsables de las funcionalidades y desarrolla un Sistema Multiagente que algoritmiza el Modelo Conceptual. Todo esto basándose en un modelo de acción-reacción de agentes y en herramientas de AUML para la descripción gráfica de la interacción entre los agentes. Por último, se pasa a la vista de recursos en la que se muestra un Modelo Arquitectural basado en SOA y en los principales diagramas UML para obtener el modelo que describa las tecnologías sobre las que se sustentará el sistema final. Proyecto Habana

Los Sistemas de Detección de Intrusos (IDS) se han convertido en una herramienta de gran interés para la seguridad informática, lo que se refleja en numerosas investigaciones que proponen modelos de detección utilizando diferentes técnicas de inteligencia artificial. Este artículo estudia la viabilidad de un modelo IDS a través del análisis del estado del arte en el tema y la identificación de un problema abierto. Además se establecen hipótesis de trabajo basadas fundamentalmente en la aplicación de un algoritmo de reducción de característica para disminuir la dependencia entre la capacidad de detección del IDS y la eficiencia del clasificador. Con todo esto se propone una solución que incluye la aplicación del algoritmo de Análisis de Componentes Principales para la reducción y Redes Neuronales Artificiales para la detección. Teniendo en cuenta además la inclusión dentro del modelo de características que aporten escalabilidad, dinamismo y mantenimiento mínimo.

Los Sistemas de Detección de Intrusos de Red (IDS) han comenzado a ser una herramienta de gran valor para la seguridad informática. Estos IDS deben contar con características que hagan viable su implantación en las condiciones actuales destacándose eficiencia, capacidad de detección, dinamismo, escalabilidad y mantenimiento mínimo. Para lograr IDS con estas características es importante concebirlas desde el nivel de modelo. Por esta razón, el presente artículo describe formalmente un Modelo IDS a través de sus procesos fundamentales utilizando las Redes Neuronales Artificiales y el Análisis de Componentes Principales con el objetivo de lograr eficiencia y espectro de clasificación. Adicionalmente se describen los procesos necesarios para lograr cambios dinámicos en correspondencia con el medio y la mínima intervención del administrado.

Las soluciones más comunes que se encuentran en los diferentes trabajos de Sistemas de Detección de Intrusos son las decisiones de sacrificio o las de equilibrio. En el primer enfoque se renuncia a capacidad de detección tomando pocas características de entrada o se deja la eficiencia en un segundo plano tomando todas las entradas necesarias sin tener en cuenta sus repercusiones sobre el clasificador. En el segundo enfoque se busca un equilibrio a través de técnicas de selección de características, técnicas de redimensionamiento o distribución de funcionalidades. No obstante, estas últimas aunque equilibran capacidad y eficiencia, no se adentran en datos del paquete TCP/IP y descuidan características importantes para los IDS como escalabilidad, dinamismo y tareas de administración mínimas. Este artículo muestra un estudio de los principales trabajos dentro del tema así como de las técnicas de interés como Redes Neuronales Artificiales y Análisis de Componentes Principales con el objetivo de que sirva de base al diseño de un modelo general de detección de intrusos en redes de computadoras que permita detectar ataques de manera eficiente sin perder capacidad de detección.

La aplicación de técnicas basadas en Inteligencia Artificial para la detección de intrusos (IDS), fundamentalmente las redes neuronales artificiales (ANN), están demostrando ser un enfoque muy adecuado para paliar muchos de los problemas abiertos en esta área. Sin embargo, el gran volumen de información que se requiere cada día para entrenar estos sistemas, junto con la necesidad exponencial de tiempo que requieren para asimilarlos, dificulta enormemente su puesta en marcha en escenarios reales. En este trabajo se propone un método basado en la aplicación de una técnica para la reducción de características, denominada Análisis de Componentes Principales (PCA). El PCA permite obtener un modelo para la reducción del tamaño de los vectores de entrada a la ANN, asegurando que la pérdida de información sea mínima y, en consecuencia, disminuyendo la complejidad del clasificador neuronal y manteniendo estables los tiempos de entrenamiento. Para validar la propuesta se ha diseñado un escenario de prueba mediante un IDS basado en ANN. Los resultados obtenidos a partir de las pruebas realizadas demuestran la validez de la propuesta y acreditan las líneas futuras de trabajo. Este trabajo ha sido financiado por el Ministerio de Educación y Ciencia de España bajo el proyecto de investigación TIN2006-04081 y por la Generalitat Valenciana bajo el proyecto de investigación GV/2007175.