Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning

La expansión de los servicios digitales y arquitecturas distribuidas ha situado a las APIs REST como un componente crítico para la interoperabilidad de aplicaciones web, móviles, servicios en la nube y dispositivos IoT. Su papel central en la economía digital, gestionando información altamente sensi...

Descripción completa

Detalles Bibliográficos
Autor: Vercher Gómez, Eustaquio
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Universidad Nacional de Educación a Distancia
Repositorio:e-spacio. Repositorio Institucional de la UNED
Idioma:español
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/30324
Acceso en línea:https://hdl.handle.net/20.500.14468/30324
Access Level:acceso abierto
Palabra clave:1203.17 Informática
API REST
Machine Learning
ciberseguridad
vulnerabilidades
Rest API
cybersecurity
vulnerabilities
id ES_eb0f06527ae2a00835fd2aedbbf88416
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/30324
network_acronym_str ES
network_name_str España
repository_id_str
spelling Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine LearningVercher Gómez, Eustaquio1203.17 InformáticaAPI RESTMachine LearningciberseguridadvulnerabilidadesRest APIMachine LearningcybersecurityvulnerabilitiesLa expansión de los servicios digitales y arquitecturas distribuidas ha situado a las APIs REST como un componente crítico para la interoperabilidad de aplicaciones web, móviles, servicios en la nube y dispositivos IoT. Su papel central en la economía digital, gestionando información altamente sensible, las ha convertido en un objetivo prioritario para los ciberataques. Las limitaciones de los mecanismos tradicionales de monitorización, incapaces de detectar patrones complejos o ataques a aplicaciones de negocio, han puesto de relieve la necesidad de enfoques más dinámicos y adaptativos. En este contexto, el uso de técnicas de Machine Learning tanto supervisadas como no supervisadas ofrece un marco prometedor para la detección de anomalías en el tráfico API, al permitir el análisis de grandes volúmenes de datos y la identificación de comportamientos atípicos sin requerir conocimiento previo de las amenazas existentes. El presente trabajo aborda esta problemática con una doble motivación: por un lado, la necesidad práctica de reforzar la seguridad de las APIs REST frente a ataques cada vez más sofisticados; por otro, el interés académico en explorar la viabilidad de los algoritmos de Machine Learning como herramientas aplicadas a la ciberseguridad.Tobarra Abad, María de los Llanose-Spacio UNED20252025-10-0320252025-09-0120252025-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/30324reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/303242026-06-06T12:38:31Z
dc.title.none.fl_str_mv Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
title Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
spellingShingle Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
Vercher Gómez, Eustaquio
1203.17 Informática
API REST
Machine Learning
ciberseguridad
vulnerabilidades
Rest API
Machine Learning
cybersecurity
vulnerabilities
title_short Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
title_full Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
title_fullStr Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
title_full_unstemmed Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
title_sort Detección de vulnerabilidades y comportamientos anómalos en API RESTs mediante algoritmos de Machine Learning
dc.creator.none.fl_str_mv Vercher Gómez, Eustaquio
author Vercher Gómez, Eustaquio
author_facet Vercher Gómez, Eustaquio
author_role author
dc.contributor.none.fl_str_mv Tobarra Abad, María de los Llanos
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.17 Informática
API REST
Machine Learning
ciberseguridad
vulnerabilidades
Rest API
Machine Learning
cybersecurity
vulnerabilities
topic 1203.17 Informática
API REST
Machine Learning
ciberseguridad
vulnerabilidades
Rest API
Machine Learning
cybersecurity
vulnerabilities
description La expansión de los servicios digitales y arquitecturas distribuidas ha situado a las APIs REST como un componente crítico para la interoperabilidad de aplicaciones web, móviles, servicios en la nube y dispositivos IoT. Su papel central en la economía digital, gestionando información altamente sensible, las ha convertido en un objetivo prioritario para los ciberataques. Las limitaciones de los mecanismos tradicionales de monitorización, incapaces de detectar patrones complejos o ataques a aplicaciones de negocio, han puesto de relieve la necesidad de enfoques más dinámicos y adaptativos. En este contexto, el uso de técnicas de Machine Learning tanto supervisadas como no supervisadas ofrece un marco prometedor para la detección de anomalías en el tráfico API, al permitir el análisis de grandes volúmenes de datos y la identificación de comportamientos atípicos sin requerir conocimiento previo de las amenazas existentes. El presente trabajo aborda esta problemática con una doble motivación: por un lado, la necesidad práctica de reforzar la seguridad de las APIs REST frente a ataques cada vez más sofisticados; por otro, el interés académico en explorar la viabilidad de los algoritmos de Machine Learning como herramientas aplicadas a la ciberseguridad.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-10-03
2025
2025-09-01
2025
2025-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/30324
url https://hdl.handle.net/20.500.14468/30324
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869423194174128128
score 15,81155

Similares en LA Referencia