Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs
Este proyecto aborda el problema de la persistencia de vulnerabilidades de seguridad críticas en aplicaciones móviles Android a lo largo de los años. A pesar de los avances tecnológicos y las mejores prácticas en desarrollo, vulnerabilidades como el almacenamiento inseguro de datos o el manejo de au...
- Autores:
-
Cabanzo Certuche, Jonathan Obed
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75370
- Acceso en línea:
- https://hdl.handle.net/1992/75370
- Palabra clave:
- Preprocesamiento de texto
Seguridad
Embeddings
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_b4f17c679bf3ec18a5b2f929994a6a2c |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75370 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| title |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| spellingShingle |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs Preprocesamiento de texto Seguridad Embeddings Ingeniería |
| title_short |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| title_full |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| title_fullStr |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| title_full_unstemmed |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| title_sort |
Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMs |
| dc.creator.fl_str_mv |
Cabanzo Certuche, Jonathan Obed |
| dc.contributor.advisor.none.fl_str_mv |
Rueda Rodríguez, Sandra Julieta |
| dc.contributor.author.none.fl_str_mv |
Cabanzo Certuche, Jonathan Obed |
| dc.contributor.jury.none.fl_str_mv |
Rueda Rodríguez, Sandra Julieta |
| dc.subject.keyword.spa.fl_str_mv |
Preprocesamiento de texto Seguridad |
| topic |
Preprocesamiento de texto Seguridad Embeddings Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
Embeddings |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Este proyecto aborda el problema de la persistencia de vulnerabilidades de seguridad críticas en aplicaciones móviles Android a lo largo de los años. A pesar de los avances tecnológicos y las mejores prácticas en desarrollo, vulnerabilidades como el almacenamiento inseguro de datos o el manejo de autorización deficiente, son reflejo de una brecha en la capacitación de los desarrolladores más que en la disponibilidad de herramientas para contrarrestar estos problemas. Con el objetivo de mitigar esta dificultad, este trabajo se desarrolló en conjunto con el proyecto “Conversational Model to Support Security Queries from Android Developers” de Miguel Muñoz, el cual propone una solución basada en el uso de inteligencia artificial (IA) y procesamiento de lenguaje natural (NLP) para identificar y prevenir errores de seguridad en el desarrollo de aplicaciones Android. La solución incluye el diseño de un sistema de NLP que analiza contenido técnico a partir de artículos de investigación sobre ciberseguridad, responde preguntas y proporciona recomendaciones de seguridad en tiempo real. El sistema se basa en una arquitectura que procesa información desde archivos PDF, los convierte en datos estructurados y genera embeddings a través de modelos como RoBERTa, que posteriormente almacena en una base de datos vectorial (ChromaDB). Este enfoque busca responder consultas de los desarrolladores para mejorar la calidad del código y reducir la incidencia de vulnerabilidades críticas, contribuyendo a un entorno digital más seguro. El componente clave desarrollado en este proyecto sirve como base para el sistema principal, este es la implementación de un sistema de preprocesamiento para artículos en formato PDF, compuesto por módulos que permiten la extracción y limpieza de información relevante. Estos módulos convierten los PDFs en formatos estructurados, eliminan elementos irrelevantes como tablas y referencias, evalúan la calidad semántica de los datos y los dividen en fragmentos manejables. Este proceso asegura que el sistema principal opere con información precisa y confiable. El sistema completo fue evaluado mediante pruebas basadas en 47 preguntas representativas, considerando criterios como la completitud de las respuestas, la validez del contenido adicional y la coherencia en la información adicional proporcionada. Los resultados muestran un desempeño satisfactorio en términos de coherencia y validez, aunque identifican áreas de mejora en la cobertura y precisión del contenido. Estos hallazgos subrayan la necesidad de optimizar las estrategias de manejo de incertidumbre y búsqueda de información adicional. En síntesis, este proyecto de tesis integra investigación en ciberseguridad y técnicas de NLP para proponer una solución que apoye a los desarrolladores en la creación de aplicaciones móviles seguras. Al proporcionar herramientas educativas y prácticas en tiempo real, esta iniciativa busca disminuir la brecha de conocimiento y reducir el impacto de vulnerabilidades críticas en el ecosistema Android. |
| publishDate |
2024 |
| dc.date.issued.none.fl_str_mv |
2024-12-13 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-13T19:28:20Z |
| dc.date.available.none.fl_str_mv |
2025-01-13T19:28:20Z |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75370 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75370 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Ardila, M. A. (2024). Conversational Model to Support Security Queries from Android Developers. Cypress Data Defense. (2020). OWASP top 10 mobile vulnerabilities developers need to understand. Obtenido de https://cypressdatadefense.com/blog/owasp-mobile-top-10-vulnerabilities/ Das, T. a. (2023). Investigation of Security-related Commits in Android Apps. Association for Computing Machinery, 259–260. Kapersky. (2024). Amenazas financieras móviles crecen 32% a nivel mundial. Obtenido de https://latam.kaspersky.com/about/press-releases/amenazas-financieras-moviles-crecen-32-a-nivel-mundial-revela-kaspersky?srsltid=AfmBOooz-2QRE1cJVP09ixFtlii7otj3ojEdK_RZ7RYFXBqNGN8rN6_S Kaspersky. (2024). Los ataques a dispositivos móviles aumentaron más del 50% en 2023. Obtenido de https://latam.kaspersky.com/about/press-releases/los-ataques-a-dispositivos-moviles-aumentaron-mas-del-50-en-2023 Othman, R. T. (2024). Vulnerability Detection for software-intensive system. Association for Computing Machinery, 510–515. OWASP. (2024). OWASP Mobile Top 10. Obtenido de https://owasp.org/www-project-mobile-top-10/ sadaf, s. a. (2022). AI-Based Software Defect Prediction for Trustworthy Android Apps. Association for Computing Machinery, 393–398. Salley, C. J. (2024). Safeguarding Infrastructure from Cyber Threats with NLP-Based Information Retrieval. IEEE Press, 853–862. statista. (2024). Number of mobile cyberattacks against users worldwide from January 2020 to December 2023. Obtenido de https://www.statista.com/statistics/1305965/mobile-users-cyber-attacks/ |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
32 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/b4ae78c0-98a7-4b8b-a7c7-957b279cacaa/download https://repositorio.uniandes.edu.co/bitstreams/81d2b93f-c929-4ea8-b893-0d51df4ec748/download https://repositorio.uniandes.edu.co/bitstreams/4a86be52-79f6-4801-9b31-2065c23c9f8c/download https://repositorio.uniandes.edu.co/bitstreams/15dd772b-a4c4-41ac-a620-25db96cad719/download https://repositorio.uniandes.edu.co/bitstreams/125a5c3c-7ffa-42d5-9249-3a07626784ef/download https://repositorio.uniandes.edu.co/bitstreams/6907b09d-c2cc-4713-b451-df45f848fad9/download https://repositorio.uniandes.edu.co/bitstreams/cd63517c-d25c-4125-817f-3b43a4a5b39b/download https://repositorio.uniandes.edu.co/bitstreams/1577192b-45be-438d-8639-675f76cd0360/download |
| bitstream.checksum.fl_str_mv |
aafd2d3e76994d221977ce39c047c142 60047336ba44cf545499b23dbe77a99d 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 6a9fb121c262fcaf326bac0351daf6ab c6764df5dea2b164d4e2682c55c09d6c 2bf4861095f92aea324720dce5d985e8 5ab130827a7c64c8f246ec803a33f33d |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1831927729585389568 |
| spelling |
Rueda Rodríguez, Sandra Julietavirtual::22008-1Cabanzo Certuche, Jonathan ObedRueda Rodríguez, Sandra Julieta2025-01-13T19:28:20Z2025-01-13T19:28:20Z2024-12-13https://hdl.handle.net/1992/75370instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto aborda el problema de la persistencia de vulnerabilidades de seguridad críticas en aplicaciones móviles Android a lo largo de los años. A pesar de los avances tecnológicos y las mejores prácticas en desarrollo, vulnerabilidades como el almacenamiento inseguro de datos o el manejo de autorización deficiente, son reflejo de una brecha en la capacitación de los desarrolladores más que en la disponibilidad de herramientas para contrarrestar estos problemas. Con el objetivo de mitigar esta dificultad, este trabajo se desarrolló en conjunto con el proyecto “Conversational Model to Support Security Queries from Android Developers” de Miguel Muñoz, el cual propone una solución basada en el uso de inteligencia artificial (IA) y procesamiento de lenguaje natural (NLP) para identificar y prevenir errores de seguridad en el desarrollo de aplicaciones Android. La solución incluye el diseño de un sistema de NLP que analiza contenido técnico a partir de artículos de investigación sobre ciberseguridad, responde preguntas y proporciona recomendaciones de seguridad en tiempo real. El sistema se basa en una arquitectura que procesa información desde archivos PDF, los convierte en datos estructurados y genera embeddings a través de modelos como RoBERTa, que posteriormente almacena en una base de datos vectorial (ChromaDB). Este enfoque busca responder consultas de los desarrolladores para mejorar la calidad del código y reducir la incidencia de vulnerabilidades críticas, contribuyendo a un entorno digital más seguro. El componente clave desarrollado en este proyecto sirve como base para el sistema principal, este es la implementación de un sistema de preprocesamiento para artículos en formato PDF, compuesto por módulos que permiten la extracción y limpieza de información relevante. Estos módulos convierten los PDFs en formatos estructurados, eliminan elementos irrelevantes como tablas y referencias, evalúan la calidad semántica de los datos y los dividen en fragmentos manejables. Este proceso asegura que el sistema principal opere con información precisa y confiable. El sistema completo fue evaluado mediante pruebas basadas en 47 preguntas representativas, considerando criterios como la completitud de las respuestas, la validez del contenido adicional y la coherencia en la información adicional proporcionada. Los resultados muestran un desempeño satisfactorio en términos de coherencia y validez, aunque identifican áreas de mejora en la cobertura y precisión del contenido. Estos hallazgos subrayan la necesidad de optimizar las estrategias de manejo de incertidumbre y búsqueda de información adicional. En síntesis, este proyecto de tesis integra investigación en ciberseguridad y técnicas de NLP para proponer una solución que apoye a los desarrolladores en la creación de aplicaciones móviles seguras. Al proporcionar herramientas educativas y prácticas en tiempo real, esta iniciativa busca disminuir la brecha de conocimiento y reducir el impacto de vulnerabilidades críticas en el ecosistema Android.Pregrado32 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Sistema de preprocesamiento para optimizar la generación de embeddings para aplicaciones de seguridad basadas en LLMsTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPPreprocesamiento de textoSeguridadEmbeddingsIngenieríaArdila, M. A. (2024). Conversational Model to Support Security Queries from Android Developers.Cypress Data Defense. (2020). OWASP top 10 mobile vulnerabilities developers need to understand. Obtenido de https://cypressdatadefense.com/blog/owasp-mobile-top-10-vulnerabilities/Das, T. a. (2023). Investigation of Security-related Commits in Android Apps. Association for Computing Machinery, 259–260.Kapersky. (2024). Amenazas financieras móviles crecen 32% a nivel mundial. Obtenido de https://latam.kaspersky.com/about/press-releases/amenazas-financieras-moviles-crecen-32-a-nivel-mundial-revela-kaspersky?srsltid=AfmBOooz-2QRE1cJVP09ixFtlii7otj3ojEdK_RZ7RYFXBqNGN8rN6_SKaspersky. (2024). Los ataques a dispositivos móviles aumentaron más del 50% en 2023. Obtenido de https://latam.kaspersky.com/about/press-releases/los-ataques-a-dispositivos-moviles-aumentaron-mas-del-50-en-2023Othman, R. T. (2024). Vulnerability Detection for software-intensive system. Association for Computing Machinery, 510–515.OWASP. (2024). OWASP Mobile Top 10. Obtenido de https://owasp.org/www-project-mobile-top-10/sadaf, s. a. (2022). AI-Based Software Defect Prediction for Trustworthy Android Apps. Association for Computing Machinery, 393–398.Salley, C. J. (2024). Safeguarding Infrastructure from Cyber Threats with NLP-Based Information Retrieval. IEEE Press, 853–862.statista. (2024). Number of mobile cyberattacks against users worldwide from January 2020 to December 2023. Obtenido de https://www.statista.com/statistics/1305965/mobile-users-cyber-attacks/201911749Publicationhttps://scholar.google.es/citations?user=picn4ngAAAAJvirtual::22008-10000-0002-2111-9348virtual::22008-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000143111virtual::22008-1e336d2eb-f251-470f-b975-2d5e63ce65c9virtual::22008-1e336d2eb-f251-470f-b975-2d5e63ce65c9virtual::22008-1ORIGINALautorizaciontesis_ocabanzo.pdfautorizaciontesis_ocabanzo.pdfHIDEapplication/pdf231387https://repositorio.uniandes.edu.co/bitstreams/b4ae78c0-98a7-4b8b-a7c7-957b279cacaa/downloadaafd2d3e76994d221977ce39c047c142MD51Sistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdfSistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdfapplication/pdf883215https://repositorio.uniandes.edu.co/bitstreams/81d2b93f-c929-4ea8-b893-0d51df4ec748/download60047336ba44cf545499b23dbe77a99dMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/4a86be52-79f6-4801-9b31-2065c23c9f8c/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/15dd772b-a4c4-41ac-a620-25db96cad719/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTautorizaciontesis_ocabanzo.pdf.txtautorizaciontesis_ocabanzo.pdf.txtExtracted texttext/plain2033https://repositorio.uniandes.edu.co/bitstreams/125a5c3c-7ffa-42d5-9249-3a07626784ef/download6a9fb121c262fcaf326bac0351daf6abMD55Sistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdf.txtSistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdf.txtExtracted texttext/plain71354https://repositorio.uniandes.edu.co/bitstreams/6907b09d-c2cc-4713-b451-df45f848fad9/downloadc6764df5dea2b164d4e2682c55c09d6cMD57THUMBNAILautorizaciontesis_ocabanzo.pdf.jpgautorizaciontesis_ocabanzo.pdf.jpgGenerated Thumbnailimage/jpeg10813https://repositorio.uniandes.edu.co/bitstreams/cd63517c-d25c-4125-817f-3b43a4a5b39b/download2bf4861095f92aea324720dce5d985e8MD56Sistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdf.jpgSistema de Preprocesamiento para Optimizar la Generación de Embeddings.pdf.jpgGenerated Thumbnailimage/jpeg6617https://repositorio.uniandes.edu.co/bitstreams/1577192b-45be-438d-8639-675f76cd0360/download5ab130827a7c64c8f246ec803a33f33dMD581992/75370oai:repositorio.uniandes.edu.co:1992/753702025-01-15 03:09:11.971http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |