|
|
|
|
| LEADER |
05558nam a2200433 i 4500 |
| 001 |
ELB120435 |
| 003 |
FINmELB |
| 005 |
20241223193915.0 |
| 006 |
m o d | |
| 007 |
cr cnu|||||||| |
| 008 |
210622s2018 sp ob 000 0 spa d |
| 020 |
|
|
|a 9781512973891
|q (e-book)
|
| 020 |
|
|
|z 9789588936550
|
| 040 |
|
|
|a FINmELB
|b spa
|e rda
|c FINmELB
|
| 050 |
|
4 |
|a QA76.9.H85
|b C365 2018
|
| 080 |
|
|
|a 004.056.5
|
| 082 |
0 |
4 |
|a 006
|2 23
|
| 100 |
1 |
|
|a Camilo Urcuqui, Christian,
|e autor.
|
| 245 |
1 |
0 |
|a Ciberseguridad :
|b un enfoque desde la ciencia de datos /
|c Christian Camilo Urcuqui Melisa Garc�ia Pe�na Jos�e Luis Osorio Quintero Andr�es Navarro Cadavidad.
|
| 264 |
|
1 |
|a Cali :
|b Editorial Universidad Icesi,
|c 2018.
|
| 300 |
|
|
|a 1 recurso en l�inea (86 p�aginas)
|
| 336 |
|
|
|a texto
|b txt
|2 rdacontent/spa
|
| 337 |
|
|
|a computadora
|b c
|2 rdamedia/spa
|
| 338 |
|
|
|a recurso en l�inea
|b cr
|2 rdacarrier/spa
|
| 504 |
|
|
|a Incluye referencias.
|
| 505 |
0 |
|
|a P�AGINA LEGAL -- TABLA DE CONTENIDO -- �INDICE DE TABLAS -- TABLA 1. M�ETODOS PARA EL AN�ALISIS DE AMENAZAS (...) -- TABLA 2. CICLO DE VIDA DE LA ANAL�ITICA DE DATOS EN BIG (...) -- TABLA 3. MEDIDAS DE EVALUACI�ON DE LA EFICACIA DE LOS ALGORITMOS DE MACHINE (...) -- TABLA 4. MEDIDAS DE CONFUSI�ON PARA PROBLEMAS DE DOS (...) -- TABLA 5. MEDIDAS DE DESEMPE�NO PARA PROBLEMAS DE DOS (...) -- TABLA 6. ALGORITMOS DE CLASIFICACI�ON -- TABLA 7. ARQUITECTURA DE ANDROID -- TABLA 8. DESEMPE�NO DE LOS CLASIFICADORES DE (...) -- TABLA 9. DESEMPE�NO DE LOS CLASIFICADORES DE BAGGING -- TABLA 10. DESEMPE�NO DE LOS CLASIFICADORES DE KNN -- TABLA 11. DESEMPE�NO DE LOS CLASIFICADORES DE SVM -- TABLA 12. DESEMPE�NO DE LOS CLASIFICADORES DE (...) -- TABLA 13. DESEMPE�NO INDIVIDUAL DE LOS SEIS (...) -- TABLA 14. PERMISOS ACCEDIDOS POR LAS APLICACIONES - (...) -- TABLA 15. PERMISOS ACCEDIDOS POR LAS APLICACIONES DESCARGADAS DE (...) -- TABLA 16. DESEMPE�NO EN LA PRUEBA DE GENERALIZACI�ON -- TABLA 17. OWASP TOP TEN DE LOS RIESGOS PARA LA SEGURIDAD (...) -- TABLA 18. CARACTER�ISTICAS DE LA CAPA DE APLICACIONES -- TABLA 19. CARACTER�ISTICAS DE LA CAPA DE RED -- TABLA 20. CARACTER�ISTICAS - CAPA DE APLICACI�ON -- TABLA 21. CARACTER�ISTICAS - CAPA DE RED -- TABLA 22. EJEMPLO DE MATRIZ DE DATOS -- TABLA 23. EJEMPLO MATRIZ CON VARIABLES DUMMY -- TABLA 24.FRECUENCIA DE LOS DATOS NO NUM�ERICOS DE LA CAPA DE (...) -- TABLA 25. PROMEDIO DE LOS DATOS NUM�ERICOS DE LA CAPA DE (...) -- TABLA 26. PROMEDIO DE LOS DATOS NUM�ERICOS DE LA CAPA (...) -- TABLA 27. RESULTADOS DE LOS ALGORITMOS POR CADA CAPA (...) -- TABLA 28. RESULTADOS DE LOS ALGORITMOS PARA LAS TRES CARACTER�ISTICAS OBTENIDAS (...) -- TABLA 29. RESULTADOS DE LOS ALGORITMOS PARA LA MATRIZ DE DATOS (...) -- �INDICE DE FIGURAS -- FIGURA 1. ANDROID SOFTWARE STACK [18] -- FIGURA 2. ARQUITECTURA DE SAFE CANDY -- FIGURA 3. MARCO DE TRABAJO PARA EL AN�ALISIS EST�ATICO -- FIGURA 4. RESULTADOS: �AREA BAJO LA CURVA -- FIGURA 5. GENERALIZACI�ON: �AREA BAJO LA CURVA -- FIGURA 6. MARCO DE TRABAJO PARA DETECCI�ON DE P�AGINAS (...) -- FIGURA 7. CORRELACI�ON DE LOS DATOS BENIGNOS DE LA CAPA (...) -- FIGURA 8. CORRELACI�ON DE LOS DATOS MALICIOSOS DE LA CAPA (...) -- FIGURA 9. CORRELACI�ON DE LOS DATOS BENIGNOS DE LA CAPA DE (...) -- FIGURA 10. CORRELACI�ON DE LOS DATOS MALICIOSOS DE LA CAPA DE (...) -- FIGURA 11. PROCESO DE APLICACI�ON DE LA CIENCIA DE DATOS EN (...) -- RESUMEN -- PRESENTACI�ON -- CIBERSEGURIDAD Y CIENCIA DE DATOS -- INTRODUCCI�ON -- CIBERSEGURIDAD -- CIENCIA DE DATOS -- MACHINE LEARNING -- CIENCIA DE DATOS Y CIBERSEGURIDAD -- CIBERSEGURIDAD EN ANDROID -- ESTADO DEL ARTE -- METODOLOG�IA -- TRABAJO FUTURO -- CIBERSEGURIDAD EN APLICACIONES WEB -- ESTADO DEL ARTE -- METODOLOG�IA -- EXPERIMENTO -- RESULTADOS -- AN�ALISIS -- TRABAJO FUTURO -- A PARTIR DE LAS LECCIONES APRENDIDAS -- APLICACI�ON DE LA CIENCIA DE DATOS AL AN�ALISIS (...) -- CONJUNTOS DE DATOS -- UN CAMINO PROMETEDOR -- REFERENCIAS.
|
| 520 |
|
|
|a La creatividad y la creciente capacidad tecnol�ogica de los cibercriminales hacen que garantizar la confidencialidad, integridad y disponibilidad de la informaci�on sea una tarea cada vez m�as compleja. Las metodolog�ias tradicionales, como los sistemas determin�isticos basados en perfiles y firmas, y los an�alisis descriptivos y diagn�osticos, ya no son suficientes, por lo que es necesario probar con t�ecnicas m�as complejas. En este libro, a partir de experiencias y experimentos precisos, se propone un procedimiento base para la construcci�on de un framework, con las actividades necesarias para el entrenamiento y la evaluaci�on de modelos de machine learning, �util para: detectar malware en dispositivos con sistema operativo Android e identificar a priori aplicaciones web maliciosas.
|
| 588 |
|
|
|a Descripci�on basada en metadatos suministrados por el editor y otras fuentes.
|
| 590 |
|
|
|a Recurso electr�onico. Santa Fe, Arg.: elibro, 2021. Disponible v�ia World Wide Web. El acceso puede estar limitado para las bibliotecas afiliadas a elibro.
|
| 650 |
|
4 |
|a Seguridad de la informaci�on.
|
| 650 |
|
0 |
|a Computer security.
|
| 655 |
|
4 |
|a Libros electr�onicos.
|
| 700 |
1 |
|
|a Garc�ia Pe�na, Melisa,
|e autor.
|
| 700 |
1 |
|
|a Navarro Cadavidad, Andr�es,
|e autor.
|
| 700 |
1 |
|
|a Osorio Quintero, Jos�e Luis,
|e autor.
|
| 797 |
2 |
|
|a elibro, Corp.
|
| 856 |
4 |
0 |
|u https://elibro.net/ereader/ufasta/120435
|
| 035 |
|
|
|a (OCoLC)1261027767
|
| 999 |
|
|
|c 128022
|d 128022
|