Diseño e Implementación de una Arquitectura de Seguridad Multicapa para la Protección de la Propiedad Intelectual en Modelos Predictivos Industriales: Implementación de una Arquitectura de Defensa en Profundidad utilizando Oracle 19c Enterprise TDE y Privacidad Diferencial.

Simple item page
dc.contributor.advisorGómez Vargas, Germán
dc.contributor.advisorElizalde, Juan
dc.contributor.authorSaldivia Vera, Víctor
dc.contributor.authorTobar Morales, Cristian
dc.coverage.spatialSantiago
dc.date.accessioned2026-03-18T15:36:14Z
dc.date.available2026-03-18T15:36:14Z
dc.date.issued2025
dc.descriptionProyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science.
dc.description.abstractLa industria química se encuentra ante un desafío complejo en la era digital: por un lado, necesita aprovechar las capacidades de la de estos tiempos la Inteligencia Artificial para acelerar el desarrollo de nuevos productos y reducir tiempo y costos operacionales; por otro lado, debe proteger rigurosamente su propiedad intelectual, especialmente las fórmulas secretas que constituyen su ventaja competitiva en el mercado. Este proyecto busca resolver esta tensión en el contexto de la empresa, proponiendo una arquitectura de seguridad multicapa con la finalidad de utilizar los datos para predecir el punto de inflamación (Flash Point) de mezclas químicas complejas. Para alcanzar este objetivo, se diseña e implementar un sistema de Machine Learning seguro sobre Oracle Database 19c Enterprise Edition. La protección de los datos se abordó en múltiples niveles: cuando los datos están almacenados, se utiliza Transparent Data Encryption (TDE) con cifrado AES-256, mientras que durante su transmisión se emplea Oracle Native Network Encryption (NNE). A nivel de aplicación, se adopta una estrategia de privacidad diferencial durante el entrenamiento del modelo. Los resultados experimentales determinaron que es posible encontrar un equilibrio razonable entre la utilidad del modelo y la protección de información sensible. Mientras que el modelo básico (Baseline) alcanzó una precisión del 89.2% trabajando con datos sin protección, el modelo con privacidad diferencial implementado ruido de ϵ=1.5 logrando mantener una precisión del 80.1%. Si bien esto representa una reducción del 9% en la capacidad predictiva, la arquitectura propuesta ofrece garantías matemáticas contra ataques de inferencia y reconstrucción de datos. Estos resultados respaldan su aplicación práctica como herramienta segura para priorizar experimentos de laboratorio y minimizar riesgos operacionales, sin comprometer la confidencialidad de las fórmulas propietarias
dc.format.extent64 p.
dc.identifier.urihttps://hdl.handle.net/11447/10635
dc.language.isoes
dc.publisherUniversidad del Desarrollo. Facultad de Ingeniería
dc.subject070037S
dc.subjectMachine Learning
dc.subjectPrivacidad Diferencial
dc.subjectOracle TDE
dc.subjectFlash Point
dc.subjectPropiedad Intelectual.
dc.titleDiseño e Implementación de una Arquitectura de Seguridad Multicapa para la Protección de la Propiedad Intelectual en Modelos Predictivos Industriales: Implementación de una Arquitectura de Defensa en Profundidad utilizando Oracle 19c Enterprise TDE y Privacidad Diferencial.
dc.typeThesis
dcterms.accessRightsAcceso abierto

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Diseño e Implementación de una Arquitectura de Seguridad Multicapa.pdf
Size:
1.92 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
347 B
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Tesis de Postgrado Ingeniería

Implementado por OpenGeek Services