Análisis comparativo de algoritmos de aprendizaje automático para detectar ataques de SQLI en microservicios web

• Autores: Peralta Garcia, Edwin Jahir, Quevedo Monsalbe, Juan Carlos
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/13203
• Enlace del recurso: https://hdl.handle.net/20.500.12802/13203
• Nivel de acceso: acceso abierto
• Materia: SQL injection; Aprendizaje automático; Algoritmos; Aplicaciones web; Técnicas; https://purl.org/pe-repo/ocde/ford#2.02.04

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.