Schenone, CarlosMorales, MartínEmergencias SaludEstrella, Leandro2026-08-252026-08-252025-12-18Estrella, L. (2025). Desarrollo de un señuelo informático (honeypot) con capacidades extendidas de análisis de tráfico mediante técnicas de aprendizaje automático [Prácticas Profesionales Supervisadas, Universidad Nacional Arturo Jauretche]. https://rid.unaj.edu.ar/handle/123456789/3706https://rid.unaj.edu.ar/handle/123456789/3706Este trabajo presenta una solución basada en técnicas de Machine Learning para detectar patrones de ataque en aplicaciones web en parte tanto para recopilación de información de un sitio para posteriormente comprometerse como así también para explotar vulnerabilidades en el mismo con el objetivo de utilizarlo de maneras no autorizadas y obtener un beneficio de ello siendo esto parte de la práctica habitual de las metodologías de hacking web por parte de cibercriminales. Utilizando la arquitectura de Random Forest basada en regresiones lineales y clasificaciones, se implementó y evaluó un modelo capaz de detectar tráfico malicioso, alcanzando una precisión cercana al 80%. El estudio destaca la importancia de utilizar conjuntos de datos correctamente estructurados y categorizados para evitar malas interpretaciones dentro de la categorización del modelo. Durante la investigación se abordaron desafíos como la transformación de los datos, el ajuste de precisión y el aprendizaje de esta tecnología. El modelo desarrollado representa un aporte en la lucha contra los ciberdelincuentes y sienta las bases para futuras mejoras, como la ampliación del dataset, la optimización del modelo, el desarrollo de nuevas capacidades y su implementación en diferentes organizaciones.Development of a Computerized Deception System (Honeypot) with Extended Traffic Analysis Capabilities Using Machine Learning Techniques This paper presents a solution based on machine learning techniques to detect attack patterns in web applications, partly for gathering information from a site in order to subsequently compromise it, and also to exploit vulnerabilities in it with the aim of using it in unauthorized ways and obtaining a benefit from it, this being part of the usual practice of web hacking methodologies by cybercriminals. Using Random Forest architecture based on linear regressions and classifications, a model capable of detecting malicious traffic was implemented and evaluated, achieving an accuracy of close to 80%. The study highlights the importance of using properly structured and categorized datasets to avoid misinterpretations within the model's categorization. During the research, challenges such as data transformation, accuracy adjustment, and learning this technology were addressed. The model developed represents a contribution to the fight against cybercriminals and lays the foundation for future improvements, such as expanding the dataset, optimizing the model, developing new capabilities and implementing it in different organizations.91 p.application/pdfhttps://creativecommons.org/licenses/by-nc-nd/4.0/Machine LearningPhishingÁrboles de decisiónRandom ForestCiberseguridadExplotación de vulnerabilidadReconocimiento de activoMachine LearningPhishingDecision TreesRandom ForestCybersecurityVulnerability ExploitationAsset RecognitionPráctica Profesional Supervisadaaccesoabierto