caso 7: AUDITORIA DE SEGURIDAD INFORMÁTICA

 Por: Julia Torrez

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

Colab: https://colab.research.google.com/drive/1p_5cR6Zf-yqsKFLIAufFS63V9Ks922MX?usp=sharing

Estructura del Proyecto:

1. 1.- Definición de Parámetros de Auditoría:

   • Identificar parámetros clave como la cantidad de registros auditados, hallazgos de seguridad, y recomendaciones.

2. 2.- Generación de Datos Ficticios:

   • Generar datos ficticios para cada parámetro durante un período

3. 3.- Análisis de Auditoría:

   • Evaluar la efectividad de la auditoría mediante el análisis

4. 4.- Visualización de datos:

   • Crear gráficos para visualizar los resultados de la auditoría.

Metodología:

1. 1.- Definición de Parámetros de Auditoría:

2. dias_auditoria = 7

   registros_auditados_diarios = [500, 700, 600, 800, 750, 900, 700]

   hallazgos_seguridad_diarios = [2, 3, 1, 4, 2, 1, 3]

   recomendaciones_diarias = [1, 2, 1, 2, 1, 3, 2]

1. 2.- Generación de Datos Ficticios: Puedes emplear métodos más complejos para generar datos más realistas, pero aquí simplificaremos con datos Puedes emplear métodos más complejos para generar datos más realistas, pero aquí simplificaremos con datos predefinidos.

2. 
   

3. 3.- Análisis de Auditoría:

4. total_registros_auditados = sum(registros_auditados_diarios)

   total_hallazgos_seguridad = sum(hallazgos_seguridad_diarios)

   total_recomendaciones = sum(recomendaciones_diarias)

   
   

   porcentaje_hallazgos = (total_hallazgos_seguridad / total_registros_auditados) * 100

4.- Visualización de datos:

import matplotlib.pyplot as plt

# Gráficas para visualizar los resultados de la auditoría

fig, ax1 = plt.subplots()

color = 'tab:red'

ax1.set_xlabel('Días de Auditoría')

ax1.set_ylabel('Registros Auditados', color=color)

ax1.plot(range(1, dias_auditoria + 1), registros_auditados_diarios, color=color)

ax1.tick_params(axis='y', labelcolor=color)

ax2 = ax1.twinx()

color = 'tab:blue'

ax2.set_ylabel('Hallazgos de Seguridad', color=color)

ax2.plot(range(1, dias_auditoria + 1), hallazgos_seguridad_diarios, color=color)

ax2.tick_params(axis='y', labelcolor=color)

fig.tight_layout()

plt.title('Resultados de Auditoría de Seguridad Informática')

plt.show()

print(f"Total de Registros Auditados: {total_registros_auditados}")

print(f"Porcentaje de Hallazgos de Seguridad: {porcentaje_hallazgos:.2f}%")

print(f"Total de Recomendaciones: {total_recomendaciones}")

Total de Registros Auditados: 4950

Porcentaje de Hallazgos de Seguridad: 0.32%

Total de Recomendaciones: 12

Conclusiones:

Este proyecto es una simulación básica de una auditoría de seguridad informática. Puedes ajustar los datos ficticios para reflejar situaciones más realistas y agregar más parámetros según tus necesidades. La visualización de estos datos te permite evaluar la efectividad de la auditoría y tomar decisiones informadas para mejorar la seguridad de un sistema.

caso 6: ANALISIS DE SEGURIDAD INFORMÁTICA

 Por : Julia Torrez

Estructura del Proyecto:

1. 1.- Definición de parámetros de seguridad:

   • Identificar parámetros clave como intentos de acceso no autorizados, detección de malware y actualizaciones de seguridad.

2. 2.- Generación de Datos Ficticios:

   • Generar datos ficticios para cada parámetro durante un período de tiempo.

3. 3.- Análisis de seguridad:

   • Evaluar la efectividad de las medidas de seguridad mediante la revisión de los datos.

4. 4.- Visualización de datos:

   • Cree gráficos para visualizar la actividad de seguridad en función del tiempo.

Metodología:

1. 1.- Definición de parámetros de seguridad:

2. dias_analisis = 14

   intentos_acceso_no_autorizado = [5, 8, 3, 7, 2, 6, 4, 9, 5, 7, 3, 6, 8, 4]

   detecciones_malware = [2, 1, 3, 2, 0, 2, 1, 4, 3, 1, 2, 3, 0, 2]

   actualizaciones_seguridad = [0, 1, 0, 2, 1, 1, 0, 2, 1, 1, 0, 3, 1, 2]

1. 2.- Generación de Datos Ficticios: Puedes usar métodos más complejos para generar datos más realistas, pero aquí simplificaremos con datos predefinidos.

2. 
   

3. 3.- Análisis de seguridad:

4. total_intentos_acceso = sum(intentos_acceso_no_autorizado)

   total_detecciones_malware = sum(detecciones_malware)

   total_actualizaciones_seguridad = sum(actualizaciones_seguridad)

   
   

   promedio_intentos_acceso = total_intentos_acceso / dias_analisis

   promedio_detecciones_malware = total_detecciones_malware / dias_analisis

   promedio_actualizaciones_seguridad = total_actualizaciones_seguridad / dias_analisis

4.- Visualización de datos:

import matplotlib.pyplot as plt

# Gráficas para visualizar el estado de seguridad

plt.plot(range(1, dias_analisis + 1), intentos_acceso_no_autorizado, label='Intentos de Acceso No Autorizado')

plt.plot(range(1, dias_analisis + 1), detecciones_malware, label='Detecciones de Malware')

plt.plot(range(1, dias_analisis + 1), actualizaciones_seguridad, label='Actualizaciones de Seguridad')

plt.axhline(y=promedio_intentos_acceso, color='r', linestyle='--', label='Promedio Intentos de Acceso')

plt.axhline(y=promedio_detecciones_malware, color='g', linestyle='--', label='Promedio Detecciones de Malware')

plt.axhline(y=promedio_actualizaciones_seguridad, color='b', linestyle='--', label='Promedio Actualizaciones de Seguridad')

plt.legend()

plt.title('Estado de Seguridad Informática')

plt.xlabel('Días de Análisis')

plt.show()

Conclusion:

Este proyecto es una simulación básica del estado de seguridad informática. Puedes ajustar los datos ficticios para reflejar situaciones más realistas y agregar más métricas según tus necesidades. Visualizar estas métricas te permitirá evaluar y mejorar continuamente la seguridad de un sistema informático.

caso 5: ANÁLISIS DE DESARROLLO DE SOFTWARE

 Por : Julia Torrez

Estructura del Proyecto:

1. 1.- Definición de Parámetros de Desarrollo:

   • Identificar parámetros como líneas de código escritos por día, número de errores encontrados y tareas completadas.

2. 2.- Generación de Datos Ficticios:

   • Generar datos ficticios para cada parámetro durante un período de tiempo.

3. 3.- Análisis de Desarrollo:

   • Evaluar el progreso del desarrollo a través de claves métricas.

4. 4.- Visualización de datos:

   • Cree gráficos para visualizar el progreso del desarrollo en función del tiempo.

Metodología:

1. 1.- Definición de Parámetros de Desarrollo:

2. dias_desarrollo = 10

   lineas_codigo_diarias = [150, 200, 180, 220, 250, 190, 210, 200, 180, 230]

   errores_diarios = [3, 2, 1, 4, 2, 1, 3, 2, 1, 4]

   tareas_completadas_diarias = [2, 3, 2, 4, 3, 2, 3, 4, 2, 3]

1. 2.- Generación de Datos Ficticios: Puedes usar métodos más complejos para generar datos más realistas, pero aquí simplificaremos con datos predefinidos.

2. 
   

3. 3.- Análisis de Desarrollo:

4. total_lineas_codigo = sum(lineas_codigo_diarias)

   total_errores = sum(errores_diarios)

   total_tareas_completadas = sum(tareas_completadas_diarias)

   
   

   promedio_lineas_codigo = total_lineas_codigo / dias_desarrollo

   promedio_errores = total_errores / dias_desarrollo

   promedio_tareas_completadas = total_tareas_completadas / dias_desarrollo

4.- Visualización de datos:

import matplotlib.pyplot as plt

# Gráficas para visualizar el progreso del desarrollo

plt.plot(range(1, dias_desarrollo + 1), lineas_codigo_diarias, label='Líneas de Código')

plt.plot(range(1, dias_desarrollo + 1), errores_diarios, label='Errores')

plt.plot(range(1, dias_desarrollo + 1), tareas_completadas_diarias, label='Tareas Completadas')

plt.axhline(y=promedio_lineas_codigo, color='r', linestyle='--', label='Promedio Líneas de Código')

plt.axhline(y=promedio_errores, color='g', linestyle='--', label='Promedio Errores')

plt.axhline(y=promedio_tareas_completadas, color='b', linestyle='--', label='Promedio Tareas Completadas')

plt.legend()

plt.title('Progreso del Desarrollo de Software')

plt.xlabel('Días de Desarrollo')

plt.show()

Conclusiones

Este proyecto es una simulación básica del progreso en el desarrollo de software. Puedes ajustar los datos ficticios para reflejar situaciones más realistas y agregar más parámetros según tus necesidades. Este enfoque te permite visualizar y analizar el desarrollo de software a lo largo del tiempo.