Domínguez-Pérez, Luis J.Najar-Juárez, Cristian S.2026-11-182026-11-182026-11Najar-Juárez, C. S. (2026). Detección de anomalías en tráfico de red mediante la integración de perfilado conductual de usuarios y aprendizaje profundo. Tesis de doctorado, Doctorado en Ciencias de la Ingeniería. Tlaquepaque, Jalisco: ITESO.https://hdl.handle.net/11117/12682Las anomalías del tráfico de red suelen manifestarse como desviaciones en los patrones de conexión y, en muchos casos, se asocian con desviaciones del comportamiento habitual de los usuarios. Esta tesis evalúa si el perfilado conductual de usuarios, integrado con el análisis del tráfico en un marco común, mejora la detección de anomalías. El proceso incluye la captura de actividad web con Charles Proxy (150 registros de cuatro grupos de usuarios), la construcción de vectores de comportamiento con frecuencias de interacción, entropía y componentes principales, la generación de representaciones latentes mediante autoencoders y la alineación adversaria entre el dominio conductual y el de tráfico (UNSW-NB15 y CIC-IDS2017) para construir conjuntos de datos enriquecidos que se clasifican con una red neuronal profunda. El agrupamiento híbrido basado en autoencoder alcanza la mayor calidad de perfiles, con un coeficiente de silueta de hasta 0.8632 y un índice Davies–Bouldin de 0.5775. Sin embargo, una vez eliminada la fuga de datos detectada en el flujo de procesamiento, el enriquecimiento aplicado a todo el conjunto de datos no supera a un clasificador de referencia entrenado solo con tráfico: 93.53% frente a 93.28% de exactitud en UNSW-NB15 y 95.39% frente a 95.98% en CIC-IDS2017. Un estudio de ablación con controles sintéticos confirma este resultado. La única condición con mejora medible es una cascada de confianza que reserva la información conductual para los registros cercanos a la frontera de decisión; ahí el AUC-ROC mejora entre 0.022 y 0.051 frente a un control de ruido en UNSW-NB15, con significancia estadística confirmada en una corrida independiente. La integración de comportamiento y tráfico es viable, pero mejora la detección solo bajo condiciones específicas.enghttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.esAprendizaje ProfundoCiberseguridadDeep LearningDetección de AnomalíasDetection of AnomaliesUsuariosComportamientoUser BehavioralDetección de anomalías en tráfico de red mediante la integración de perfilado conductual de usuarios y aprendizaje profundoDetection of Anomalies in Network Traffic through the Integration of User Behavioral Profiling and Deep Learninginfo:eu-repo/semantics/doctoralThesis