CIBERSEGURIDAD

Y
MACHINE
LEARNING

INTRODUCCIN A LOS SISTEMAS INTELIGENTES

GRADO EN INGENIERA INFORMTICA

Roco

Hugo

Francisco

Vctor

Eva Sarmiento Zapatero

NDICE
1. Ciberseguridad y Machine Learning...................................................................3
a. Historia y necesidad.................................................................................... 3
2. Mtodos de Machine Learning y Data Minig para la deteccin de intrusos....................3
3. Ejemplos de uso............................................................................................ 3
a. Kapersky................................................................................................. 3
b. Plataforma de inteligencia de accenture............................................................3
c. Cylance................................................................................................... 3
d. Forstcale.................................................................................................. 5
e. Darktrace................................................................................................. 5
4. Proyectos de futuro........................................................................................ 5
5. Conclusiones................................................................................................ 5
6. Bibliografa................................................................................................. 5
 1. Ciberseguridad y Machine Learning. Introduccin
a. Necesidad
La definicin bsica de Machine Learning de usar algoritmos para
leer datos, aprender de ellos y luego ser capaces de hacer una
prediccin. Se deben perfeccionar algoritmos que sean lo ms precisos
posibles y que adems especifiquen un conjunto de variables. Es muy
importante identificar la tarea, para poder hacer el algoritmo ms adecuado.
Hay que usar una gran cantidad de datos, ya que cuantos ms datos se
usen, ms se perfeccionar nuestra mquina.
Hay ciertas causas que han permitido el desarrollo de las mquinas
automticas en este momento:
- Acceso a grandes cantidades de datos para analizar y entrenar a la
mquina. Cualquier dato y cualquier situacin son vlidos para
entrenar y desarrollar el sistema. La obtencin de datos es ms fcil
debido al uso del Internet de las Cosas, por el cual se usan sensores
y conectividad para poder recoger los datos.
- Capacidad de computacin para la gestin de Big Data ms
eficientemente.
- Evolucin de algoritmos, ayudando a su programacin. Como es el
ejemplo de las redes neuronales, basadas en el cerebro humano. Se
ha permitido la interpretacin de imgenes y videos, como por
ejemplo para facilitar la identificacin facial o interpretar el
lenguaje.
Y qu tiene que ver esto con la ciberseguridad?
Una de las grandes preocupaciones actuales es mantener la
informacin a salvo en nuestros equipos y sistemas. Hay una gran cantidad
de ciber amenazas, que pueden llegar, desde hacernos perder toda la
informacin de nuestro ordenador personal, hasta llegar a repercutir en la
economa mundial.
 Ahora mismo mantener los datos seguros es el principal objetivo y
una de las grandes preocupaciones mundiales, es necesario actuar frente a
la guerra que existe contra los Hackers y el resto de amenazas. Por eso
mismo debido a las causas que se comentaban anteriormente, es muy
necesario el apoyo de las mquinas automticas, nos permiten usar gran
cantidad de datos, para que las mquinas puedan predecir
comportamientos, lo que podra disminuir las prdidas de informacin, que
pueden ir a otras empresas.
Es una gran ventaja contar con las Learning Machine, y seguir
perfeccionndolas, ya que las amenazas seguirn creciendo, y debemos de
seguir optimizando su rendimiento para tener sistemas ms seguros.

2. Mtodos de Machine Learning y Data Minig para la deteccin de intrusos

3. Ejemplos de uso
a. Kapersky
b. Plataforma de inteligencia de accenture
c. Cylance
Es una compaa que utiliza la inteligencia
artificial y el Learning Machine para
prevenir proactivamente la ejecucin de
amenazas externas, tales como ciberataques o malware. Entre sus fundadores est el ex
CTO de McAfee, un gran experto en ciberseguridad.
Pero cul es la diferencia respecto a otros sistemas? Segn su presidente, la
diferencia reside en la forma de entender la ciberntica. Ellos cambian la reactividad, es
decir reaccionar cuando la accin est ocurriendo, por la proactividad, que es estar
listos antes de que las amenazas aparezcan.
Es un antivirus basado en la intuicin, gracias al uso de Learning Machine, se
ha conseguido sustituir las enormes bases de datos de amenazas mundiales, que se
tenan que actualizar constantemente haciendo que se ralentice mucho nuestro equipo,
por seguimiento de comportamientos especficos y ha aprendido a intuir los peligros.
Esto permite que solo sea necesaria una pequea actualizacin 2 o 3 veces al ao, para
refinar su algoritmo.
 Ellos han conseguido la proactividad gracias al Learning Machine, esto se ha
logrado ya que almacena datos de amenazas persistentes y malware, estando siempre
alerta ante la ejecucin de cualquier proceso daino. Otra de sus grandes ventajas es que
usa pocos recursos del CPU y no trabaja con metadatos, lo cual permite que su
constante ejecucin sin afectar al rendimiento de nuestro equipo.
Para exponer Cyclance y marcar la diferencia frente a sus principales
competidores, se pusieron cuatro equipos, en ellos se haban instalado los softwares de
McAfee, Trend Micro, Symantec y Cylance respectivamente. Se descarg malware y se
atac a cada uno de los equipos de la misma manera. El nico sistema que pudo resistir
a ello, obviamente, fue Cylance.
Esto ha conseguido que todos los sistemas Dell estn protegidos por esta
tecnologa, y se espera que siga expandiendo globalmente.
Se ha hecho una prueba para examinar el rendimiento de Cylance, en 11
productos de seguridad destinados a empresas. Se han usado las versiones ms actuales
de productos, en escenarios realistas y ejecutando las amenazas actuales. Los productos
de Cylance han tenido que demostrar su capacidad para cada uno de las funciones,
niveles de proteccin y situaciones.
 d. Forstcale
e. Darktrace
4. Proyectos de futuro
a. Kapersky
b. Accenture
c. Cylance
Despus de impresionar y revolucionar el mundo de la ciberntica con sus
antivirus basados en el aprendizaje automtico, los sistemas Cylance quieren
aventurarse a crear un antivirus para Android.
Esta decisin ha sido tomada debido a la necesidad de proteger los dispositivos
inteligentes basados en Android. Actualmente la mayor parte de la poblacin tiene toda
su informacin, datos personales, profesionales, etc, en un dispositivo inteligente como
un mvil o Tablet. Realizamos una gran cantidad de tareas con ellos y sera un gran
problema perderlo todo.
Por estas razones Cylance ve necesario uno de sus sistemas basados en la
intuicin y la proactividad para proteger toda esa informacin tan valiosa para sus
usuarios.
d. Forscale
 e. Darktrace
5. Conclusiones
6. Bibliografa
Introduccin
https://repositorio.uam.es/handle/10486/676778
https://www.xataka.com/robotica-e-ia/machine-learning-y-deep-learning-como-
entender-las-claves-del-presente-y-futuro-de-la-inteligencia-artificial
http://www.ticbeat.com/educacion/machine-learning-la-era-de-la-empresa-inteligente/
http://www.ituser.es/en-cifras/2017/02/el-sector-de-la-ciberseguridad-apuesta-por-el-
machine-learning
http://www.cioal.com/2017/03/16/machine-learning-oportunidad-o-amenaza-en-
ciberseguridad/

Cylance:

https://www.av-test.org/es/antivirus/empresas-windows-client/windows-10/diciembre-
2015/cylance-protect-1.2-154676/
http://www.silicon.es/cylance-la-solucion-la-michael-dell-protege-equipos-personales-
llega-europa-2303969
http://seguridadti.mx/accesorios-y-electronica-boletin/item/1673-cylance-antivirus-de-
siguiente-generacion/1673-cylance-antivirus-de-siguiente-generacion