000			02423nam a2200229Ia 4500
001			18895
008			211216s2021 ec 000 0 spa d
082	0	4	_aTESIS 004.6 _bR7414s
245	1	0	_aSistema de monitoreo y detección de defacements en sitios web. un enfoque moderno
264		0	_aEcuador: _bAmbato, _c2021
336			_atxt
337			_an
338			_anc
500			_aIncluye anexos.
502			_aProyecto de investigación ( _bMagister en Ciberseguridad) _cPontificia Universidad Católica del Ecuador, Oficina de Postgrados.
505	0		_a1. Estado del arte y la práctica. --2. Diseño Metodológico. --3. Análisis de los resultados de la investigación
506			_aDisponible en el Repositorio Digital
520			_aHoy en día las empresas buscan tener presencia en internet pues conocen la importancia de estar al alcance de sus clientes o público objetivo a tan solo un par de clics. Para ello buscan posicionarse con su sitio web en la red y brindar la información necesaria de sus productos o servicios. Sin embargo, es inevitable descartar la presencia de ciberamenazas. Muestra de ello son los atacantes, que motivados por diferentes causas (política, activismo, rédito monetario) buscan vulnerar la seguridad de los sitios web y robar información o generar indisponibilidad en los servicios, afectando así la reputación de la empresa y generando pérdidas económicas. El Defacement o desfiguración es una de las consecuencias tras la materialización de un ataque. En este incidente los ciberdelincuentes cambian el contenido de la página y colocan mensajes de protestas o burlas dejando en evidencia las fallas de seguridad existentes en el sitio web. Esto empeora con el tiempo que toma poder identificar el ataque y tomar acciones al respecto. Por ello, el objetivo de este trabajo es implementar un Sistema de Monitoreo y Detección de Defacement en sitios web para lo cual se lleva a cabo una investigación de un modelo de Machine Learning que permita entrenar un algoritmo capaz de identificar el contenido de una página web y determinar si se encuentra desfigurada o no. De esta forma se puede notificar al administrador del sitio web acerca del Defacement y reducir así el tiempo de afectación.
650	1	4	_aDEFACEMENT. ATAQUES WEB. MACHINE LEARNING. HACKTIVISMO.
700	1		_aRojas Buenaño, Alexander Israel
999			_c223210 _d223210
942	0	0	_00