Evaluación de modelos de Machine Learning para la priorización inteligente de vulnerabilidades en el sector bancario

De La Cruz Huaman, Robin Willans; Perez Velasquez, Andrea Milagros; Torres Velasquez, Angela Nicole

Evaluación de modelos de Machine Learning para la priorización inteligente de vulnerabilidades en el sector bancario

dc.contributor.advisor	Fabian Arteaga, Junior Jhon
dc.contributor.author	De La Cruz Huaman, Robin Willans
dc.contributor.author	Perez Velasquez, Andrea Milagros
dc.contributor.author	Torres Velasquez, Angela Nicole
dc.coverage.spatial	Perú
dc.date.accessioned	2026-02-08T22:14:28Z
dc.date.issued	2025
dc.description.abstract	El estudio aplica técnicas de Machine Learning para optimizar la gestión de vulnerabilidades en el sector bancario, utilizando información extraída de la herramienta Qualys con cinco clases de severidad. Se implementaron modelos supervisados (Random Forest y XGBoost) para predecir la severidad y un modelo no supervisado (K-Means, k = 13) para segmentar vulnerabilidades en familias técnicas, facilitando la organización de la aplicación de parches por sistema operativo o servicio. Los modelos supervisados lograron una exactitud promedio de 81% - 82% y un recall superior al 90% en clases críticas, demostrando su eficacia para la priorización inteligente. No obstante, se observó un menor desempeño en clases minoritarias, lo que sugiere incorporar mayor balanceo y calibración probabilística. El modelo no supervisado confirmó patrones consistentes, destacando la predominancia de entornos Windows Server 2016–2022 y la persistencia de sistemas legacy (Solaris). Se concluye que el enfoque mixto, clasificación predictiva y segmentación estratégica, fortalece la toma de decisiones y reduce tiempos de análisis. La mejora futura del modelo requiere ampliar variables contextuales y automatizar el pipeline de actualización.
dc.format	application/pdf
dc.identifier.uri	https://hdl.handle.net/20.500.12640/4891
dc.language	Español
dc.language.iso	spa
dc.publisher	Universidad ESAN
dc.publisher.country	PE
dc.rights	https://purl.org/coar/access_right/c_abf2
dc.rights	Attribution-ShareAlike 4.0 International	en
dc.rights.uri	http://creativecommons.org/licenses/by-sa/4.0/
dc.subject	Optimización
dc.subject	Gestión de riesgos
dc.subject	Machine Learning
dc.subject	Sector bancario
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.11.04
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#5.02.04
dc.title	Evaluación de modelos de Machine Learning para la priorización inteligente de vulnerabilidades en el sector bancario
dc.type	https://purl.org/coar/resource_type/c_7a1f
dc.type.other	Trabajo de suficiencia profesional
local.acceso.esan	Acceso abierto
renati.advisor.dni	44749148
renati.advisor.orcid	https://orcid.org/0000-0001-9804-7795
renati.author.dni	70186471
renati.author.dni	45724334
renati.author.dni	72908269
renati.discipline	722008076
renati.discipline	612000936
renati.juror	Tinoco Neyra, David Arturo
renati.juror	Vásquez Bresani, Eduardo Luis
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional
thesis.degree.discipline	Ingeniería Industrial y Comercial
thesis.degree.discipline	Ingeniería de Sistemas
thesis.degree.grantor	Universidad ESAN. Facultad de Ingeniería
thesis.degree.name	Ingeniero(a) Industrial y Comercial
thesis.degree.name	Ingeniero(a) de Sistemas