Evaluation of computer network security using attack undirected geography

Abstract

<span>To secure a wealth of data traversing the computer network at your fingertips is compulsory. But when attack arises at various parts of the network it is difficult to protect, especially when each incident is investigated separately. Geography is a necessary construct in computer networks. The analytics of geography algorithms and metrics to curate insight from a security problem are a critical method of analysis for computer systems. A geography based representation is employed to highlight aspects (on a local and global level) of a security problem which are Eigenvalue, eccentricity, clustering coefficient and cliques. Network security model based on attack undirected geography (AUG) is familiarized. First, analysis based upon association rules is presented then the attack threshold value is set from AUG. The probability of an individual attack edge and associated network nodes are computed in order to quantify the security threat. The simulation is exploited to validate that results are effective.</span>

Agente inteligente para la gestión de incidencias

“…Figura 5 -KPI-3: Nivel de satisfacción En cuanto al presente estudio del AI para la GI, se diseñó e implementó con la API de Dialogflow, se utilizó la librería Glicht de node js para hacer un servidor con el fin de alojar el webhook, Mientras tanto, que el webhook hace las peticiones, Dialogflow utiliza fulifilememnt para crear la lógica de negocio y hace las peticiones a webhook en este servidor se configura las peticiones y el webhook lo reconoce de acuerdo a la petición webhook server, No-dejs, para gestionar las historias de usuario se utilizaron Google Docs, Google meet para el trabajo colaborativo en videoconferencia, lo que facilitó un trabajo eficiente por parte del ES y Product Owner. Trabajos relacionados con incidencias, donde utilizan la tecnología aplicada a incidencias de TI, se tiene, en (Jittawiriyanukoon, 2019), categorizó los incidentes agrupándolos según problemas relacionados con hardware, sistema operativo, red, software, redes virtuales, entre otros; considerándolo como un problema multiclase; además, la muestra estudiada presentaba características no deseadas, los datos de incidencias se dividieron en el grupo de entrenamiento con 7519 incidencias y 3223 incidentes para las pruebas de validación; El investigador obtuvo que el modelo Bagged-SVM tenía una mejor precisión de 87. 78% sobre SVM con 71%, seguido de Adaboost-SVM 86% que se posicionó por encima de SVM base 85%; el estudio afirma que la herramienta clasificadora de incidencias favorece la correcta asignación de las incidencias al grupo de soporte adecuado, mejorando la experiencia del usuario y reduciendo el tiempo de respuesta.…”

“…Para ello, se han investigado diferentes casos relacionados con el tema de la investigación en GI. Por ejemplo: en (Kostadinov et al, 2020), analizaron métodos de clasificación de texto para la asignación automática de elementos de configuración a incidentes; también, en (Jittawiriyanukoon, 2019) utilizaron técnicas de clasificación de conjuntos (Bagging y Boosting) para superar el preprocesamiento de datos de incidentes de TI y realizar la clasificación automática de incidentes. Según (Mahmood et al, 2023), la aplicación del aprendizaje automático (AA), apoyado en modelos (regresión, árboles, bosque aleatorio, análisis lineal discriminante), permite la clasificación automática de incidentes de TI.…”