Look-up in Google Scholar
Title: Análisis comparativo de algoritmos de aprendizaje automático para detectar ataques de SQLI en microservicios web
Advisor(s): Arcila Diaz, Juan Carlos
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2024
Institution: Universidad Señor de Sipán
Abstract: Las inyecciones SQL (Structured Query Language) plantean una amenaza constante a los microservicios web, destacando la urgencia de una identificación eficiente para abordar esta vulnerabilidad. El presente estudio compara algoritmos de aprendizaje automático para la detección de inyecciones SQL en microservicios web, utilizando un dataset público de 22,749 datos. Se llevó a cabo una revisión literaria para identificar tipos de inyecciones SQL y algoritmos de aprendizaje automático. Se compararon los resultados de Random forest, Decision tree y Support Vector Machine. Los hallazgos indican que Random forest lidera con una precision y acurracy del 99%, recall del 97%, y F1-Score del 98%. En cambio, Decision tree obtiene una precision del 92%, recall del 86%, y F1-Score del 97%. SVM presenta una acurracy, precision y F1-Score del 98%, con un recall del 97%. En resumen, Random forest se destaca como óptimo para la detección de inyecciones SQL en microservicios web.
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grade or title: Ingeniero de Sistemas
Juror: Atalaya Urrutia, Carlos William; Asenjo Carranza, Enrique David; Guevara Alburqueque, Laurita Belen
Register date: 30-Sep-2024



This item is licensed under a Creative Commons License Creative Commons