Proyecto ANALISIS DE SEGURIDAD INFORMATICA

 Por: Guido Fernandez Ortiz

https://chat.openai.com/share/62b6bfc7-c8f9-4dba-ac75-14a8ae7146b6

Proyecto: Análisis de Seguridad Informática

Estructura del Proyecto:

1. 1.- Definición de Objetivos de Seguridad:

   • Identificar objetivos clave de seguridad,

2. 2.- Recolección de Datos Ficticios:

   • Simular la recolección de datos de seguridad, como registros de incluso

3. 3.- Análisis de seguridad:

   • Evaluar los datos recolectados para identificar posibles amenazas, anomalías y áreas vulnerables.

4. 4.- Visualización de resultados:

   • Crear gráficos e informes para visualizar y comunicar los hallazgos de seguridad.

Metodología:

1. 1.- Definición de Objetivos de Seguridad:

2. objetivos_seguridad = {

       'Detección de Intrusiones': {'alertas': 50, 'falsos_positivos': 5},

       'Análisis de Vulnerabilidades': {'vulnerabilidades_encontradas': 8, 'solucionadas': 3},

       'Monitorización de Eventos': {'eventos_analizados': 1000, 'eventos_sospechosos': 10}

   }

3. 
   

4. 2.- Recolección de Datos Ficticios:

5. import random

   
   

   # Simulación de datos de seguridad

   alertas_intrusiones = [random.randint(1, 10) for _ in range(30)]

   falsos_positivos = [random.randint(0, 2) for _ in range(30)]

   vulnerabilidades_encontradas = [random.randint(1, 5) for _ in range(30)]

   vulnerabilidades_solucionadas = [random.randint(0, 3) for _ in range(30)]

   eventos_analizados = [random.randint(800, 1200) for _ in range(30)]

   eventos_sospechosos = [random.randint(5, 20) for _ in range(30)]

   
   
6. 3.- Análisis de seguridad:
7. promedio_alertas_intrusiones = sum(alertas_intrusiones) / len(alertas_intrusiones)

   promedio_falsos_positivos = sum(falsos_positivos) / len(falsos_positivos)

   promedio_vulnerabilidades_encontradas = sum(vulnerabilidades_encontradas) / len(vulnerabilidades_encontradas)

   promedio_vulnerabilidades_solucionadas = sum(vulnerabilidades_solucionadas) / len(vulnerabilidades_solucionadas)

   promedio_eventos_analizados = sum(eventos_analizados) / len(eventos_analizados)

   promedio_eventos_sospechosos = sum(eventos_sospechosos) / len(eventos_sospechosos)

4.- Visualización de resultados:

import matplotlib.pyplot as plt

# Gráficas para visualizar resultados de seguridad

fig, axs = plt.subplots(3, 1, figsize=(10, 12))

axs[0].bar(['Intrusiones', 'Falsos Positivos'], [promedio_alertas_intrusiones, promedio_falsos_positivos], color=['red', 'orange'])

axs[0].set_title('Promedio de Alertas de Intrusiones')

axs[1].bar(['Encontradas', 'Solucionadas'], [promedio_vulnerabilidades_encontradas, promedio_vulnerabilidades_solucionadas], color=['blue', 'green'])

axs[1].set_title('Promedio de Vulnerabilidades')

axs[2].bar(['Analizados', 'Sospechosos'], [promedio_eventos_analizados, promedio_eventos_sospechosos], color=['purple', 'yellow'])

axs[2].set_title('Promedio de Eventos Monitorizados')

plt.show()

Conclusiones:

Este proyecto simula el análisis de seguridad informática mediante la recolección y análisis de datos ficticios. Puedes ajustar los datos y métricas según tus necesidades y expandir la simulación para incluir más detalles de seguridad. La visualización de resultados es crucial para comunicar los hallazgos de manera efectiva.

1. 
   

2. 
   

Analisis INFORMATICO FORENCE

 Por: Guido Fernandez

https://chat.openai.com/share/62b6bfc7-c8f9-4dba-ac75-14a8ae7146b6

Estructura del Proyecto:

1. 1.- Definición de Caso Forense:

   • Identificar el escenario forense, por ejemplo, análisis de un dispositivo en busca de actividades sospechosas.

2. 2.- Recolección de Datos Ficticios:

   • Simular la recolección de datos forenses, como registros de actividad, archivos eliminados y metadatos.

3. 3.- Análisis Forense:

   • Evaluar los datos recolectados para identificar patrones, anomalías y posibles evidencias de actividad maliciosa.

4. 4.- Visualización de resultados:

   • Cree visualizaciones, como líneas de tiempo de actividad y gráficos de relaciones, para comunicar los hallazgos.

Metodología:

1. 1.- Definición de Caso Forense:

   • Escenario: Análisis forense de un sistema comprometido en busca de evidencia de acceso no autorizado.

2. 2.- Recolección de Datos Ficticios:

• Simulación de datos forenses:
• registros_actividad = [('2023-01-01 08:00:00', 'usuario1', 'Inicio de Sesión'),

                         ('2023-01-01 08:30:00', 'usuario2', 'Inicio de Sesión'),

                         ('2023-01-01 09:00:00', 'usuario1', 'Acceso a Documentos'),

                         ('2023-01-01 09:30:00', 'usuario3', 'Inicio de Sesión'),

                         ('2023-01-01 10:00:00', 'usuario1', 'Eliminación de Archivos')]
• 3.- Análisis Forense:
• usuarios_sospechosos = set()

  archivos_eliminados = 0

  
  

  for evento in registros_actividad:

      if evento[2] == 'Inicio de Sesión':

          usuarios_sospechosos.add(evento[1])

      elif evento[2] == 'Eliminación de Archivos':

          archivos_eliminados += 1
• 4.- Visualización de resultados:
• import matplotlib.pyplot as plt

  
  

  # Gráfico de barras para visualizar usuarios sospechosos

  plt.bar(list(usuarios_sospechosos), [1] * len(usuarios_sospechosos), color='red', alpha=0.7)

  plt.title('Usuarios Sospechosos')

  plt.xlabel('Usuarios')

  plt.ylabel('Presencia Sospechosa')

  plt.show()

  
  

  # Gráfico de pastel para visualizar la proporción de archivos eliminados

  plt.pie([archivos_eliminados, len(registros_actividad) - archivos_eliminados],

          labels=['Archivos Eliminados', 'Otros Eventos'],

          autopct='%1.1f%%',

          colors=['red', 'gray'])

  plt.title('Proporción de Archivos Eliminados')

  plt.show()
3. 
   Conclusiones:
4. Este proyecto simula el proceso de análisis forense informático en un escenario específico. Puedes ajustar los datos y las métricas según tus necesidades y expandir la simulación para incluir más detalles forenses. La visualización de resultados es esencial para comunicar los hallazgos de manera efectiva.

Prueba Adicional de Notas - Aplicado con Colab

Realizado por : Guido W. Fernandez Ortiz

**********************************

Este es un ejemplo:  Analisis de Datos - GPT 3.5

*********************************

Desarrolla un ejemplo demostrativo completo de analisis de datos con Python de un proceso de evaluación sumativo, para un curso en linea de 30 participantes. Emplea datos ficticios y considera como parametros: asistencia 10 puntos, Foros de discusión 20 puntos, Trabajos 40, Cuestionario 30, sumando 100 puntos, La nota de aprobación es 65

import pandas as pd

import numpy as np

np.random.seed(42)

participantes = range(1, 31)

asistencia = np.random.randint(0, 11, 30)

foros = np.random.randint(0, 21, 30)

trabajos = np.random.randint(0, 41, 30)

cuestionario = np.random.randint(0, 31, 30)

data = {

    'Participante': participantes,

    'Asistencia': asistencia,

    'Foros': foros,

    'Trabajos': trabajos,

    'Cuestionario': cuestionario

}

df = pd.DataFrame(data)

// calculo de notas finales

df['Nota_Final'] = df['Asistencia'] + df['Foros'] + df['Trabajos'] + df['Cuestionario']

// Analisis de Datos

df['Aprobado'] = df['Nota_Final'] >= 65

promedio_general = df['Nota_Final'].mean()

porcentaje_aprobados = (df['Aprobado'].sum() / len(df)) * 100

print(f"Promedio General: {promedio_general:.2f}")

print(f"Porcentaje de Aprobados: {porcentaje_aprobados:.2f}%")

// El resultado es:

Promedio General: 48.20 Porcentaje de Aprobados: 26.67%

// Detalle de Panilla

import matplotlib.pyplot as plt

import seaborn as sns

# Mostrar detalle de la planilla

print(df)

# Gráfica de barras para las notas finales

plt.figure(figsize=(10, 6))

sns.barplot(x='Participante', y='Nota_Final', data=df, palette='viridis')

plt.title('Notas Finales de Participantes')

plt.xlabel('Participante')

plt.ylabel('Nota Final')

plt.show()

# Gráfica de pastel para el porcentaje de aprobados

aprobados = df['Aprobado'].sum()

no_aprobados = len(df) - aprobados

plt.figure(figsize=(8, 8))

plt.pie([aprobados, no_aprobados], labels=['Aprobados', 'No Aprobados'], autopct='%1.1f%%', colors=['skyblue', 'lightcoral'])

plt.title('Porcentaje de Participantes Aprobados')

plt.show()

grafica de resultados

Lista de Aprobados y Reprobados

Notas Finales de los participantes

porcentaje de Aprobados y Reprobados