Mostrar el registro sencillo del ítem
dc.contributor.advisor | Fuertes Díaz, Walter Marcelo | |
dc.contributor.author | Bosque Guanotasig, Santiago David | |
dc.contributor.author | Zurita Bedoya, Bryan Abrahan | |
dc.date.accessioned | 2023-12-05T19:33:42Z | |
dc.date.available | 2023-12-05T19:33:42Z | |
dc.date.issued | 2023 | |
dc.identifier.citation | Bosque Guanotasig, Santiago David y Zurita Bedoya, Bryan Abrahan (2023). Implementación de un modelo de desarrollo evolutivo de software que permita detectar y mitigar ataques de ingeniería social utilizando técnicas de Deep Learning. Carrera de Tecnologías de la Información. Universidad de las Fuerzas Armadas ESPE. Matriz. Sangolquí. | es_ES |
dc.identifier.other | 058415 | |
dc.identifier.uri | http://repositorio.espe.edu.ec/handle/21000/37443 | |
dc.description.abstract | El Shoulder Surfing es un ataque de ingeniería social cuyo modus operandi se centra en sustraer información de la víctima mediante la “observación sobre su hombro”. Esto repercute en la seguridad de la información de la víctima, como de la organización a la que pertenece, de tal forma que puede causar daños financieros, reputacionales e incluso morales. El presente estudio busca detectar y mitigar esta problemática a través del desarrollo de un artefacto de software por medio de la implementación de tecnologías modernas como el Deep Learning a través del “Reconocimiento Facial” y las Redes Neuronales Convolucionales en conjunto con el Procesamiento de Imágenes y la Visión por Computador. Para lograrlo, se aplicó SCRUM por su peculiaridad para agilizar procesos, entrega de resultados y calidad en sus productos. La metodología para el módulo de reconocimiento facial se basó en un procedimiento de 9 pasos que van desde la carga y extracción de datos de las imágenes hasta la detección e identificación de personas, sin contar los pasos restantes de mitigación, registro y notificación adicionales implementados. Se realizaron pruebas de experiencia de usuario, rendimiento de la mitigación y rendimiento del reconocimiento facial. Los resultados muestran que el factor principal que determina las características de potencia para los dispositivos, es determinado por la resolución de video que es suministrado en tiempo real al sistema. Para el reconocimiento facial se desarrolló una ecuación para determinar el tiempo de procesamiento, que determinó que, por cada 5 imágenes, el tiempo incrementa 3.06 segundos aproximadamente de procesamiento. Estos resultados podrían incrementar el nivel de ciberseguridad en las personas más vulnerables de la familia, la academia, la empresa y la industria. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad de las Fuerzas Armadas ESPE. Carrera de Tecnologías de la Información. | es_ES |
dc.rights | openAccess | es_ES |
dc.subject | SHOULDER SURFING | es_ES |
dc.subject | DEEP LEARNING | es_ES |
dc.subject | FACE RECOGNITION | es_ES |
dc.subject | SOCIAL ENGINEERING | es_ES |
dc.subject | MITIGATION | es_ES |
dc.title | Implementación de un modelo de desarrollo evolutivo de software que permita detectar y mitigar ataques de ingeniería social utilizando técnicas de Deep Learning | es_ES |
dc.type | bachelorThesis | es_ES |