Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning

Descripción del Articulo

En el presente proyecto, se realizó un estudio sobre la identificación de operaciones indebidas de forma predictiva y la implementación de un workflow de gestión de las incidencias. Estas últimas, identificadas por el área de seguridad y asociadas con los accesos y transacciones que realiza el usuar...

Descripción completa

Detalles Bibliográficos
Autores: Llerena Gutiérrez, Manuel Alfredo, Vargas Salazar, Ydael
Formato: tesis de grado
Fecha de Publicación:2022
Institución:Universidad Peruana de Ciencias Aplicadas
Repositorio:UPC-Institucional
Lenguaje:español
OAI Identifier:oai:repositorioacademico.upc.edu.pe:10757/661055
Enlace del recurso:http://hdl.handle.net/10757/661055
Nivel de acceso:acceso abierto
Materia:Aprendizaje automático
Modelos predictivos
Fraude
Patrones
Procesos analíticos
Modelo supervisado y no supervisado
Rendimiento de datos
Machine learning
Predictive models
Fraud
Patterns
Analytical processes
Supervised and unsupervised model
Data performance
https://purl.org/pe-repo/ocde/ford#2.00.00
https://purl.org/pe-repo/ocde/ford#2.02.04
id UUPC_a73b55231abcc7371ece2bbf3e880357
oai_identifier_str oai:repositorioacademico.upc.edu.pe:10757/661055
network_acronym_str UUPC
network_name_str UPC-Institucional
repository_id_str 2670
dc.title.es_PE.fl_str_mv Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
dc.title.alternative.es_PE.fl_str_mv Security System for the Monitoring and Control of Events of Commercial Critical Transactions of a Telecommunications Company
title Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
spellingShingle Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
Llerena Gutiérrez, Manuel Alfredo
Aprendizaje automático
Modelos predictivos
Fraude
Patrones
Procesos analíticos
Modelo supervisado y no supervisado
Rendimiento de datos
Machine learning
Predictive models
Fraud
Patterns
Analytical processes
Supervised and unsupervised model
Data performance
https://purl.org/pe-repo/ocde/ford#2.00.00
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
title_full Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
title_fullStr Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
title_full_unstemmed Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
title_sort Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learning
author Llerena Gutiérrez, Manuel Alfredo
author_facet Llerena Gutiérrez, Manuel Alfredo
Vargas Salazar, Ydael
author_role author
author2 Vargas Salazar, Ydael
author2_role author
dc.contributor.advisor.fl_str_mv Caldas Núñez, Jesus Manuel
Murga Fernandez, Raúl Jorge
Barrera Salazar, Juan Carlos
dc.contributor.author.fl_str_mv Llerena Gutiérrez, Manuel Alfredo
Vargas Salazar, Ydael
dc.subject.es_PE.fl_str_mv Aprendizaje automático
Modelos predictivos
Fraude
Patrones
Procesos analíticos
Modelo supervisado y no supervisado
Rendimiento de datos
Machine learning
Predictive models
Fraud
Patterns
Analytical processes
Supervised and unsupervised model
Data performance
topic Aprendizaje automático
Modelos predictivos
Fraude
Patrones
Procesos analíticos
Modelo supervisado y no supervisado
Rendimiento de datos
Machine learning
Predictive models
Fraud
Patterns
Analytical processes
Supervised and unsupervised model
Data performance
https://purl.org/pe-repo/ocde/ford#2.00.00
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.00.00
https://purl.org/pe-repo/ocde/ford#2.02.04
description En el presente proyecto, se realizó un estudio sobre la identificación de operaciones indebidas de forma predictiva y la implementación de un workflow de gestión de las incidencias. Estas últimas, identificadas por el área de seguridad y asociadas con los accesos y transacciones que realiza el usuario con acceso al sistema comercial core de una empresa de telecomunicaciones. Se definieron conceptos fundamentales tales como el de fraude. Además, se describieron a detalle los modelos y técnicas utilizadas, así como las principales aplicaciones que soportan el proceso de análisis predictivo. Este último, implementado y sostenido mediante el lenguaje de programación Python, se desarrolló en base al modelo de análisis probabilístico conocido como “árboles de decisión” (aprendizaje supervisado). Se implementó también un sistema que permite el registro y la iteración de los actores involucrados en el proceso con la finalidad de dar tratamiento a las incidencias identificadas. Este sistema incorpora flujos para un sustento de bloqueo, uno de desbloqueo y otro correspondiente a las excepciones. Como parte de la metodología tradicional de desarrollo de software se estableció la propuesta de solución; así como los antecedentes, tendencias, beneficios, objetivos, y conclusiones pertinentes. Finalmente, se documentaron casos de benchmarking y gestión de proyectos; además de otros casos referentes al uso, reglas y realización de un negocio.
publishDate 2022
dc.date.accessioned.none.fl_str_mv 2022-09-15T23:37:55Z
dc.date.available.none.fl_str_mv 2022-09-15T23:37:55Z
dc.date.issued.fl_str_mv 2022-04-21
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.other.es_PE.fl_str_mv Tesis
dc.type.coar.es_PE.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format bachelorThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10757/661055
dc.identifier.isni.none.fl_str_mv 0000 0001 2196 144X
url http://hdl.handle.net/10757/661055
identifier_str_mv 0000 0001 2196 144X
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.*.fl_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.coar.es_PE.fl_str_mv http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-ShareAlike 4.0 International
http://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
dc.format.es_PE.fl_str_mv application/pdf
application/epub
application/msword
dc.publisher.es_PE.fl_str_mv Universidad Peruana de Ciencias Aplicadas (UPC)
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Universidad Peruana de Ciencias Aplicadas (UPC)
Repositorio Académico - UPC
dc.source.none.fl_str_mv reponame:UPC-Institucional
instname:Universidad Peruana de Ciencias Aplicadas
instacron:UPC
instname_str Universidad Peruana de Ciencias Aplicadas
instacron_str UPC
institution UPC
reponame_str UPC-Institucional
collection UPC-Institucional
bitstream.url.fl_str_mv https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/8/Llerena_GM.pdf
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/7/Llerena_GM.pdf.jpg
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/10/Llerena_GM_Ficha.pdf.jpg
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/6/Llerena_GM.pdf.txt
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/9/Llerena_GM_Ficha.pdf.txt
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/3/Llerena_GM.pdf
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/4/Llerena_GM.docx
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/5/Llerena_GM_Ficha.pdf
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/2/license.txt
https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/1/license_rdf
bitstream.checksum.fl_str_mv f54fbfd57e645cb543199dab7a9a3036
69df7bc818eece117c455189c61bd9d3
1dd09ef777a56a821d7b76aea8b3584b
6254185cb2f9939649272403d5c52f87
71092e06a6eea172753ba71fdeb8b22d
b38cf8da7420d6f1b9f50c16c36f5edc
0f2abedaf080d7bcdce6df762374a0d4
59cb4b767c30f9055cabc862f1e53e9d
8a4605be74aa9ea9d79846c1fba20a33
934f4ca17e109e0a05eaeaba504d7ce4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio académico upc
repository.mail.fl_str_mv upc@openrepository.com
_version_ 1846065826975711232
spelling dc1b456185760dcd6481a38b79d030d6500c93c142196549d4eaa756954fd7638925001c2dd503d92695e6241ffc571746136f500Caldas Núñez, Jesus ManuelMurga Fernandez, Raúl JorgeBarrera Salazar, Juan Carlos46b38b75662b37660549edc1a21e0c9a50043bd36a6c855d5fc0732c06b105e7b76500Llerena Gutiérrez, Manuel AlfredoVargas Salazar, Ydael2022-09-15T23:37:55Z2022-09-15T23:37:55Z2022-04-21http://hdl.handle.net/10757/6610550000 0001 2196 144XEn el presente proyecto, se realizó un estudio sobre la identificación de operaciones indebidas de forma predictiva y la implementación de un workflow de gestión de las incidencias. Estas últimas, identificadas por el área de seguridad y asociadas con los accesos y transacciones que realiza el usuario con acceso al sistema comercial core de una empresa de telecomunicaciones. Se definieron conceptos fundamentales tales como el de fraude. Además, se describieron a detalle los modelos y técnicas utilizadas, así como las principales aplicaciones que soportan el proceso de análisis predictivo. Este último, implementado y sostenido mediante el lenguaje de programación Python, se desarrolló en base al modelo de análisis probabilístico conocido como “árboles de decisión” (aprendizaje supervisado). Se implementó también un sistema que permite el registro y la iteración de los actores involucrados en el proceso con la finalidad de dar tratamiento a las incidencias identificadas. Este sistema incorpora flujos para un sustento de bloqueo, uno de desbloqueo y otro correspondiente a las excepciones. Como parte de la metodología tradicional de desarrollo de software se estableció la propuesta de solución; así como los antecedentes, tendencias, beneficios, objetivos, y conclusiones pertinentes. Finalmente, se documentaron casos de benchmarking y gestión de proyectos; además de otros casos referentes al uso, reglas y realización de un negocio.In this project a study was conducted on the identification of improper operations in a predictive way and on the implementation of an incident management workflow. The latter have been identified by the security area and associated with accesses and transactions performed by the user with access to the core commercial system of a telecommunications company. Fundamental concepts such as fraud were defined. In addition, the models and techniques used as well as the main applications supporting the predictive analysis process were described in detail. This process, implemented and supported by the Python programming language, was developed based on the probabilistic analysis model known as “decision trees”. A system was also implemented to record and iterate the actors involved in this process in order to deal with identified incidents. This system incorporates flows for a support of blocking, unblocking and exceptions. As part of the traditional software development methodology, the proposed solution was established as well as the background, trends, benefits, objectives, and relevant conclusions. Finally, we de documented cases of benchmarking and project management as well as other cases relating to the use, rules and implementation of a business.Tesisapplication/pdfapplication/epubapplication/mswordspaUniversidad Peruana de Ciencias Aplicadas (UPC)PEinfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2Universidad Peruana de Ciencias Aplicadas (UPC)Repositorio Académico - UPCreponame:UPC-Institucionalinstname:Universidad Peruana de Ciencias Aplicadasinstacron:UPCAprendizaje automáticoModelos predictivosFraudePatronesProcesos analíticosModelo supervisado y no supervisadoRendimiento de datosMachine learningPredictive modelsFraudPatternsAnalytical processesSupervised and unsupervised modelData performancehttps://purl.org/pe-repo/ocde/ford#2.00.00https://purl.org/pe-repo/ocde/ford#2.02.04Sistema de seguridad para el monitoreo y control de eventos de transacciones críticas comerciales de una empresa de telecomunicaciones aplicando machine learningSecurity System for the Monitoring and Control of Events of Commercial Critical Transactions of a Telecommunications Companyinfo:eu-repo/semantics/bachelorThesisTesishttp://purl.org/coar/resource_type/c_7a1fSUNEDUUniversidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE)LicenciaturaIngeniería de SistemasIngeniero de sistemasDivisión de Estudios Profesionales para Ejecutivos (EPE)2022-09-20T01:34:20Zhttps://purl.org/pe-repo/renati/type#tesishttps://orcid.org/0000-0001-6051-284Xhttps://orcid.org/0000-0002-8416-2511https://orcid.org/0000-0001-9712-9473https://purl.org/pe-repo/renati/level#tituloProfesional612076CONVERTED2_37831222092-09-19Llerena_GM.pdfLlerena_GM.pdfapplication/pdf10018999https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/8/Llerena_GM.pdff54fbfd57e645cb543199dab7a9a3036MD58falseTHUMBNAILLlerena_GM.pdf.jpgLlerena_GM.pdf.jpgGenerated Thumbnailimage/jpeg34072https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/7/Llerena_GM.pdf.jpg69df7bc818eece117c455189c61bd9d3MD57false2092-09-19Llerena_GM_Ficha.pdf.jpgLlerena_GM_Ficha.pdf.jpgGenerated Thumbnailimage/jpeg113821https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/10/Llerena_GM_Ficha.pdf.jpg1dd09ef777a56a821d7b76aea8b3584bMD510falseTEXTLlerena_GM.pdf.txtLlerena_GM.pdf.txtExtracted texttext/plain360526https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/6/Llerena_GM.pdf.txt6254185cb2f9939649272403d5c52f87MD56false2092-09-19Llerena_GM_Ficha.pdf.txtLlerena_GM_Ficha.pdf.txtExtracted texttext/plain12https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/9/Llerena_GM_Ficha.pdf.txt71092e06a6eea172753ba71fdeb8b22dMD59falseORIGINALLlerena_GM.pdfLlerena_GM.pdfapplication/pdf10738918https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/3/Llerena_GM.pdfb38cf8da7420d6f1b9f50c16c36f5edcMD53true2092-09-19Llerena_GM.docxLlerena_GM.docxapplication/vnd.openxmlformats-officedocument.wordprocessingml.document12318947https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/4/Llerena_GM.docx0f2abedaf080d7bcdce6df762374a0d4MD54false2092-09-19Llerena_GM_Ficha.pdfLlerena_GM_Ficha.pdfapplication/pdf176647https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/5/Llerena_GM_Ficha.pdf59cb4b767c30f9055cabc862f1e53e9dMD55falseLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52falseCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorioacademico.upc.edu.pe/bitstream/10757/661055/1/license_rdf934f4ca17e109e0a05eaeaba504d7ce4MD51false10757/661055oai:repositorioacademico.upc.edu.pe:10757/6610552024-07-11 01:42:29.036Repositorio académico upcupc@openrepository.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
score 13.982926
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).