Red neuronal artificial para la evaluación de la seguridad de bases de datos

• Autor: Quispe Mamani, Nelson Ubaldo
• Formato: tesis de maestría
• Fecha de Publicación: 2004
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/744
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/744
• Nivel de acceso: acceso abierto
• Materia: Informática

El presente trabajo titulado "Red Neuronal Artificial para la Evaluación de la Seguridad de Bases de Datos", se ejecutó en la provincia de San Román, distrito de Juliaca, departamento de Puno; tuvo como objeto construir una red neuronal para la evaluación de la seguridad de bases de datos, considerando la disponibilidad, confidencialidad e integridad de datos. Se diseñó e implementó una red neuronal de tres capas de tipo no recurrente totalmente conectada, en la fase de entrenamiento el algoritmo retropropagación ajustó los pesos de las conexiones entre las diferentes capas, y para validar la estructura diseñada se verificó la convergencia de la red neuronal obteniendo errores aceptables. El desarrollo de la red neuronal artificial de tipo retropropagación evaluó la seguridad de las bases de datos, y proporcionó un nivel de la seguridad de datos de la Empresa Latinoamericana S.A. Para realizar la evaluación se emplearon diferentes cuestionarios; para el modelado del sistema se empleó la metodología del Lenguaje de Modelamiento Unificado (UML), así mismo se utilizó la metodología del ciclo de vida de la red neuronal y la programación del sistema se desarrolló en el Lenguaje de Programación Visual C++ versión 6.0. Se concluyó que el diseño de la red neuronal asoció las variables de entrada y salida de la red correctamente, para el aprendizaje de la red se utilizaron 20 casos de evaluaciones de seguridad, el algoritmo de aprendizaje fue el retropropagación que ajustó los pesos entre las capas, definiéndose las funciones de activación lineal y sigmoidal; para encontrar los errores cuadráticos medios entre las salidas observadas y esperadas, se proporcionó diferentes números de ciclos, el error cuadrático medio hallado fue inferior al error máximo tolerable, esto hizo que la red converja y caiga en un punto óptimo, finalmente la red neuronal clasificó los patrones en forma óptima.