Detección de Ataques de Intrusión con Algoritmos de Machine Learning
Este proyecto se centra en la creación de modelos de machine learning para la detección eficaz de ataques de intrusión. Se crearon modelos con diferentes algoritmos de aprendizaje automático y se compararon sus métricas de desempeño, seleccionando el modelo con mayor efectividad y de mayor rapidez e...
- Autores:
-
Álvarez Polo, David
- 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:1992/73596
- Acceso en línea:
- https://hdl.handle.net/1992/73596
- Palabra clave:
- Conjuntos de datos
Algoritmos de aprendizaje automático
Precisión
Tiempos de ejecución
DoS Hulk
ID3
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
UNIANDES2_083c5bd2f63ae921edeaa99998d4eabf |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/73596 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| title |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| spellingShingle |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning Conjuntos de datos Algoritmos de aprendizaje automático Precisión Tiempos de ejecución DoS Hulk ID3 Ingeniería |
| title_short |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| title_full |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| title_fullStr |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| title_full_unstemmed |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| title_sort |
Detección de Ataques de Intrusión con Algoritmos de Machine Learning |
| dc.creator.fl_str_mv |
Álvarez Polo, David |
| dc.contributor.advisor.none.fl_str_mv |
Lozano Garzón, Carlos Andrés Montoya Orozco, Germán Adolfo |
| dc.contributor.author.none.fl_str_mv |
Álvarez Polo, David |
| dc.contributor.researchgroup.none.fl_str_mv |
Facultad de Ingeniería::COMIT - Comunicaciones y Tecnología de Información |
| dc.subject.keyword.spa.fl_str_mv |
Conjuntos de datos Algoritmos de aprendizaje automático Precisión Tiempos de ejecución |
| topic |
Conjuntos de datos Algoritmos de aprendizaje automático Precisión Tiempos de ejecución DoS Hulk ID3 Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
DoS Hulk ID3 |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Este proyecto se centra en la creación de modelos de machine learning para la detección eficaz de ataques de intrusión. Se crearon modelos con diferentes algoritmos de aprendizaje automático y se compararon sus métricas de desempeño, seleccionando el modelo con mayor efectividad y de mayor rapidez en cuanto a su tiempo de ejecución. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-30T13:53:02Z |
| dc.date.available.none.fl_str_mv |
2024-01-30T13:53:02Z |
| dc.date.issued.none.fl_str_mv |
2024-01-25 |
| 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/1992/73596 |
| 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/1992/73596 |
| 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 |
[1] Centro de datos. VMware. Tomado de https://www.vmware.com/es/topics/glossary/content/data-center.html. [2] Lesmes, L (2023). Colombia recibió 20.000 millones de ciberataques en 2022. El Tiempo. Publicado el 23 de abril de 2023. Tomado de https://www.eltiempo.com/tecnosfera/novedades-tecnologia/ciberseguridad-en-colombia-datos-sobre-ciberataques-en-el-pais-757651#:~:text=De%20estos%2C%20en%20el%20caso,por%20ciento%20frente%20a%202021. [3] Vargas, N (2023). Las empresas que han sido blanco de ciberataques en Colombia en el último año. La República. Tomado de https://www.larepublica.co/empresas/las-empresas-que-han-sido-blanco-de-ciberataques-en-colombia-en-el-ultimo-ano-3529667. [4] Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8ª ed.). Cengage Learning. [5] Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley. [6] Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. OReilly Media. [7] Mitchell, T. M. (1997). Machine Learning. McGraw Hill. [8] Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer. [9] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. [10] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer. [11] Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and Regression Trees. CRC press. [12] Cortes, C., & Vapnik, V. (1995). "Support-vector networks". Machine learning, 20(3), 273-297. [13] Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognitiogn letters, 31(8), 651-666. [14] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. [15] Mirkovic, J., & Reiher, P. (2004). A taxonomy of DDoS attack and DDoS defense mechanisms. ACM SIGCOMM Computer Communication Review, 34(2), 39-53. [16] Cisco Systems, Inc. (2018). Denial of Service Attacks. En "Cisco 2018 Annual Cybersecurity Report". Cisco. [17] Sen, S., & Clark, J. (2002). Defending against Denial of Service Attacks in Scout. In Proceedings of the 9th ACM Conference on Computer and Communications Security (pp. 259-270). ACM. [18] Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106. [19] Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Prentice Hall. [20] Mitchell, T. M. (1997). Machine Learning. McGraw Hill. [21] Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437. [22] Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. OReilly Media. [23] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer. [24] Sharafaldin, I., Habibi Lashkari, A., & Ghorbani, A. A. (2018). Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization. En Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP), Portugal, enero de 2018. Recuperado de https://www.unb.ca/cic/datasets/ids-2017.html [25] Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. [26] Scikit-learn. (2023). QuadraticDiscriminantAnalysis. Documentación de scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis.html. [27] Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32. [28] Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106. [29] Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139. [30] Scikit-learn. (2023). MLPClassifier. Documentación de scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html. [31] Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27. [32] Invest in Colombia. (2023). Colombia cuenta con una operación de centros de datos en crecimiento. Invest in Colombia. https://investincolombia.com.co/es/sectores/tecnologia-de-la-informacion-e-industrias-creativas/centros-de-datos#:~:text=COLOMBIA%20CUENTA%20CON%20UNA%20OPERACI%C3%93N,tercer%20mercado%20de%20la%20regi%C3%B3n. |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/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-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
34 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 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/de635c47-f374-41dc-b4f0-ac5dc0b2cc97/download https://repositorio.uniandes.edu.co/bitstreams/9faf72a7-8882-4d06-9f65-6b2483562819/download https://repositorio.uniandes.edu.co/bitstreams/afbc2196-b617-4dbc-a992-890b1b0e19b2/download https://repositorio.uniandes.edu.co/bitstreams/165d0da4-29b8-40bd-b1bd-13aa08be0e85/download https://repositorio.uniandes.edu.co/bitstreams/6715c687-70eb-478d-92c9-0c19fcd141ee/download https://repositorio.uniandes.edu.co/bitstreams/e60e42b6-c2e5-433e-bc60-b4d3826bdc7c/download https://repositorio.uniandes.edu.co/bitstreams/3d0359d1-0491-4a95-8a16-fdcc95587161/download https://repositorio.uniandes.edu.co/bitstreams/857e12d2-7f1a-4fa3-921a-6f4332e09cd1/download |
| bitstream.checksum.fl_str_mv |
8aa07ae02ed7ff91042e91c30f22ebd2 cc76f5c1c42bb2c2ce83f30ed6736138 ae9e573a68e7f92501b6913cc846c39f 4460e5956bc1d1639be9ae6146a50347 1aff438823ae7f498ae23add5f6acf67 bbc5a1be5f426b456c3735dbd63301a1 c7ac6ba8a5881018c959852d653f60e1 0199668e5ad5ecb221d579d889767c82 |
| 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_ |
1818111935480070144 |
| spelling |
Lozano Garzón, Carlos Andrésvirtual::196-1Montoya Orozco, Germán Adolfovirtual::197-1Álvarez Polo, DavidFacultad de Ingeniería::COMIT - Comunicaciones y Tecnología de Información2024-01-30T13:53:02Z2024-01-30T13:53:02Z2024-01-25https://hdl.handle.net/1992/73596instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto se centra en la creación de modelos de machine learning para la detección eficaz de ataques de intrusión. Se crearon modelos con diferentes algoritmos de aprendizaje automático y se compararon sus métricas de desempeño, seleccionando el modelo con mayor efectividad y de mayor rapidez en cuanto a su tiempo de ejecución.En el marco de este proyecto, se llevó a cabo la recopilación de conjuntos de datos que contienen etiquetas de ataques de intrusión dirigidos a una infraestructura de red específica. El propósito principal fue explorar y aplicar algoritmos de aprendizaje automático para abordar la detección y prevención de estos ataques. En la fase de desarrollo, se emplearon diversos algoritmos de aprendizaje automático para entrenar y evaluar modelos destinados a la identificación de intrusiones. Se encontró que el ataque con mayor número de muestras fue el DoS Hulk. Tras un exhaustivo análisis, el modelo seleccionado se basó en el algoritmo ID3, que destacó por sus resultados sobresalientes en términos de precisión, exactitud, recall y eficiencia en los tiempos de ejecución.Within the framework of this project, a collection of datasets containing labels for intrusion attacks targeting a specific network infrastructure was carried out. The main purpose was to explore and apply machine learning algorithms to address the detection and prevention of these attacks. During the development phase, various machine learning algorithms were employed to train and evaluate models aimed at intrusion detection. It was found that the attack with the highest number of samples was the DoS Hulk. After thorough analysis, the selected model was based on the ID3 algorithm, which stood out for its outstanding results in terms of accuracy, precision, recall, and efficiency in execution times.Ingeniero de Sistemas y ComputaciónPregradoCiberseguridad34 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detección de Ataques de Intrusión con Algoritmos de Machine LearningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPConjuntos de datosAlgoritmos de aprendizaje automáticoPrecisiónTiempos de ejecuciónDoS HulkID3Ingeniería[1] Centro de datos. VMware. Tomado de https://www.vmware.com/es/topics/glossary/content/data-center.html.[2] Lesmes, L (2023). Colombia recibió 20.000 millones de ciberataques en 2022. El Tiempo. Publicado el 23 de abril de 2023. Tomado de https://www.eltiempo.com/tecnosfera/novedades-tecnologia/ciberseguridad-en-colombia-datos-sobre-ciberataques-en-el-pais-757651#:~:text=De%20estos%2C%20en%20el%20caso,por%20ciento%20frente%20a%202021.[3] Vargas, N (2023). Las empresas que han sido blanco de ciberataques en Colombia en el último año. La República. Tomado de https://www.larepublica.co/empresas/las-empresas-que-han-sido-blanco-de-ciberataques-en-colombia-en-el-ultimo-ano-3529667.[4] Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8ª ed.). Cengage Learning.[5] Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.[6] Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. OReilly Media.[7] Mitchell, T. M. (1997). Machine Learning. McGraw Hill.[8] Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.[9] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.[10] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.[11] Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and Regression Trees. CRC press.[12] Cortes, C., & Vapnik, V. (1995). "Support-vector networks". Machine learning, 20(3), 273-297.[13] Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern recognitiogn letters, 31(8), 651-666.[14] Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.[15] Mirkovic, J., & Reiher, P. (2004). A taxonomy of DDoS attack and DDoS defense mechanisms. ACM SIGCOMM Computer Communication Review, 34(2), 39-53.[16] Cisco Systems, Inc. (2018). Denial of Service Attacks. En "Cisco 2018 Annual Cybersecurity Report". Cisco.[17] Sen, S., & Clark, J. (2002). Defending against Denial of Service Attacks in Scout. In Proceedings of the 9th ACM Conference on Computer and Communications Security (pp. 259-270). ACM.[18] Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.[19] Russell, S., & Norvig, P. (2010). Artificial Intelligence: A Modern Approach. Prentice Hall.[20] Mitchell, T. M. (1997). Machine Learning. McGraw Hill.[21] Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437.[22] Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. OReilly Media.[23] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. Springer.[24] Sharafaldin, I., Habibi Lashkari, A., & Ghorbani, A. A. (2018). Toward Generating a New Intrusion Detection Dataset and Intrusion Traffic Characterization. En Proceedings of the 4th International Conference on Information Systems Security and Privacy (ICISSP), Portugal, enero de 2018. Recuperado de https://www.unb.ca/cic/datasets/ids-2017.html[25] Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Vanderplas, J. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.[26] Scikit-learn. (2023). QuadraticDiscriminantAnalysis. Documentación de scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.discriminant_analysis.QuadraticDiscriminantAnalysis.html.[27] Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.[28] Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106.[29] Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of computer and system sciences, 55(1), 119-139.[30] Scikit-learn. (2023). MLPClassifier. Documentación de scikit-learn: https://scikit-learn.org/stable/modules/generated/sklearn.neural_network.MLPClassifier.html.[31] Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE transactions on information theory, 13(1), 21-27.[32] Invest in Colombia. (2023). Colombia cuenta con una operación de centros de datos en crecimiento. Invest in Colombia.https://investincolombia.com.co/es/sectores/tecnologia-de-la-informacion-e-industrias-creativas/centros-de-datos#:~:text=COLOMBIA%20CUENTA%20CON%20UNA%20OPERACI%C3%93N,tercer%20mercado%20de%20la%20regi%C3%B3n.20191138Publication9a0ca46c-ed4d-4da2-af46-db6aa9454a0dvirtual::196-1a197a9f7-96e5-47cb-a497-2ee4c9cdce71virtual::197-19a0ca46c-ed4d-4da2-af46-db6aa9454a0dvirtual::196-1a197a9f7-96e5-47cb-a497-2ee4c9cdce71virtual::197-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000219541virtual::196-1ORIGINALDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdfDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdfapplication/pdf620743https://repositorio.uniandes.edu.co/bitstreams/de635c47-f374-41dc-b4f0-ac5dc0b2cc97/download8aa07ae02ed7ff91042e91c30f22ebd2MD51Autorización entrega tesis David Alvarez.pdfAutorización entrega tesis David Alvarez.pdfHIDEapplication/pdf247189https://repositorio.uniandes.edu.co/bitstreams/9faf72a7-8882-4d06-9f65-6b2483562819/downloadcc76f5c1c42bb2c2ce83f30ed6736138MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/afbc2196-b617-4dbc-a992-890b1b0e19b2/downloadae9e573a68e7f92501b6913cc846c39fMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/165d0da4-29b8-40bd-b1bd-13aa08be0e85/download4460e5956bc1d1639be9ae6146a50347MD53TEXTDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdf.txtDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdf.txtExtracted texttext/plain49840https://repositorio.uniandes.edu.co/bitstreams/6715c687-70eb-478d-92c9-0c19fcd141ee/download1aff438823ae7f498ae23add5f6acf67MD55Autorización entrega tesis David Alvarez.pdf.txtAutorización entrega tesis David Alvarez.pdf.txtExtracted texttext/plain1533https://repositorio.uniandes.edu.co/bitstreams/e60e42b6-c2e5-433e-bc60-b4d3826bdc7c/downloadbbc5a1be5f426b456c3735dbd63301a1MD57THUMBNAILDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdf.jpgDetección de Ataques de Intrusión con Algoritmos de Machine Learning.pdf.jpgGenerated Thumbnailimage/jpeg8209https://repositorio.uniandes.edu.co/bitstreams/3d0359d1-0491-4a95-8a16-fdcc95587161/downloadc7ac6ba8a5881018c959852d653f60e1MD56Autorización entrega tesis David Alvarez.pdf.jpgAutorización entrega tesis David Alvarez.pdf.jpgGenerated Thumbnailimage/jpeg11459https://repositorio.uniandes.edu.co/bitstreams/857e12d2-7f1a-4fa3-921a-6f4332e09cd1/download0199668e5ad5ecb221d579d889767c82MD581992/73596oai:repositorio.uniandes.edu.co:1992/735962024-02-16 15:19:18.906http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |