Detección de Fraude de Telefonia Celular en Base A Redes Neuronales

PERFIL DE TESIS
DETECCIN DE FRAUDE DE TELEFONIA CELULAR EN BASE A REDES

NEURONALES
Univ. Christian Giovanni Choque Puita
INDICE
INDICE
1
1.
INTRODUCCION...................................................................................................
...........................2
1.1.QU SON LAS REDES
NEURONALES?....................................................................................2
1.2.
FUNCIONAMIENTO
.2
1.3 DISEO Y PROGRAMACIN DE UNA RNA (RED NEURONAL ARTIFICIAL).
.3
1.4.
ESTRUCTURA
4
1.5.VENTAJAS
4
2.TOPOLOGIA DE LAS
RNA..................................................................................................................5
2.1MODELOS...................................................................................................................
................5
2.2.TOPOLOGIA
..5
2.3
APRENDIZAJE
6
2.4.TIPO DE
ENTRADA
.6
2.5.APLICACIONES
..6
3.PLANTEAMIENTO DEL
PROBLEMA.........................................................................................................
7
3.1. OBSERVACION DEL
PROBLEMA............................................................................................7
3.2.IDENTIFICACION DEL
PROBLEMA.....8
3.3. SELECCIN DEL
PROBLEMA..8
3.4. PRESENTACIN DEL
PROBLEMA...9
3.4.1.QUIN
TIENE
EL
PROBLEMA?................................................................9
3.4.2.QU
EST
SUCEDIENDO
EN
EL
MOMENTO
DE
LA
INVESTIGACIN?.........9
3.4.3.CMO
EST
UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

ALGARAAZ
PERFIL DE TESIS
NEURONALES
SUCEDIENDO?..................................................................9
3.4.4.CUNDO
EST
SUCEDIENDO?..............................................................9
3.4.5.POR
QU
EST
SUCEDIENDO?............................................................10
3.4.6.QU
SUCEDER
SI
EL
PROBLEMA
NO
SE
SOLUCIONA?.........................10
3.4.7.COMO
SOLUCIONAR
LA
PROBLEMTICA?...........................................10
3.5. FORMULACIN DEL
PROBLEMA
10
3.5.1. OBJETIVO DE ESTUDIO........................................................10
3.5.2.CAMPO
DE
ACCIN.........10
GLOSARIO DE TERMINOS DEL
TEMA11
BIBLIOGRAFA
....14

NEURONALES
1. INTRODUCCION
1.1. QU SON LAS REDES NEURONALES?
Las redes de neuronas artificiales (denominadas habitualmente como RNA
o en ingls como: "ANN"[] ) son un paradigma de aprendizaje y procesamiento
automtico inspirado en la forma en que funciona el sistema nervioso de los
animales. Se trata de un sistema de interconexin de neuronas en una red
que colabora para producir un estmulo de salida. En inteligencia artificial es
frecuente referirse a ellas como redes de neuronas o redes neuronales.

ALGARAAZ
PERFIL DE TESIS
NEURONALES
1.2. FUNCIONAMIENTO
Las redes neuronales consisten en una simulacin de las propiedades
observadas en los sistemas neuronales biolgicos a travs de modelos
matemticos recreados mediante mecanismos artificiales (como un circuito
integrado, un ordenador o un conjunto de vlvulas). El objetivo es conseguir
que las mquinas den respuestas similares a las que es capaz de dar el
cerebro que se caracterizan por su generalizacin y su robustez.
Perceptrn con 2 entradas.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona
recibe una serie de entradas a travs de interconexiones y emite una salida.
Esta salida viene dada por tres funciones:
Una funcin de propagacin (tambin conocida como funcin de excitacin),
que por lo general consiste en el sumatorio de cada entrada multiplicada por
el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se
denomina excitatoria; si es negativo, se denomina inhibitoria.
Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo
en este caso la salida la misma funcin de propagacin.
Una funcin de transferencia, que se aplica al valor devuelto por la funcin de
activacin. Se utiliza para acotar la salida de la neurona y generalmente viene
dada por la interpretacin que queramos darle a dichas salidas. Algunas de las
ms utilizadas son la funcin sigmoidea (para obtener valores en el intervalo
[0,1]) y la tangente hiperblica (para obtener valores en el intervalo [-1,1]).
ALGARAAZ
PERFIL DE TESIS
NEURONALES
1.3. DISEO Y PROGRAMACIN DE UNA RNA (RED NEURONAL

ARTIFICIAL)
Con un paradigma convencional de programacin en ingeniera del software,
el objetivo del programador es modelar matemticamente (con distintos
grados de formalismo) el problema en cuestin y posteriormente formular una
solucin (programa) mediante un algoritmo codificado que tenga una serie de
propiedades que permitan resolver dicho problema. En contraposicin, la
aproximacin basada en las RNA parte de un conjunto de datos de entrada
suficientemente significativo y el objetivo es conseguir que la red aprenda
automticamente las propiedades deseadas. En este sentido, el diseo de la
red tiene menos que ver con cuestiones como los flujos de datos y la
deteccin de condiciones, y ms que ver con cuestiones tales como la
seleccin del modelo de red, la de las variables a incorporar y el
preprocesamiento de la informacin que formar el conjunto de
entrenamiento. Asimismo, el proceso por el que los parmetros de la red se
adecuan a la resolucin de cada problema no se denomina genricamente
programacin sino que se suele denominar entrenamiento neuronal.
Por ejemplo en una red que se va a aplicar al diagnstico de imgenes

mdicas; durante la fase de entrenamiento el sistema recibe imgenes de
tejidos que se sabe son cancergenos y tejidos que se sabe son sanos, as
como las respectivas clasificaciones de dichas imgenes. Si el entrenamiento
es el adecuado, una vez concluido, el sistema podr recibir imgenes de
tejidos no clasificados y obtener su clasificacin sano/no sana con un buen
grado de seguridad. Las variables de entrada pueden ser desde los puntos
individuales de cada imagen hasta un vector de caractersticas de las mismas
que se puedan incorporar al sistema (por ejemplo, procedencia anatmica del
tejido de la imagen o la edad del paciente al que se le extrajo la muestra).
1.4. ESTRUCTURA
La mayora de los cientficos coinciden en que una RNA es muy diferente en
trminos de estructura de un cerebro animal. Al igual que el cerebro, una RNA
se compone de un conjunto masivamente paralelo de unidades de proceso
muy simples y es en las conexiones entre estas unidades donde reside la
inteligencia de la red. Sin embargo, en trminos de escala, un cerebro es
muchsimo mayor que cualquier RNA creada hasta la actualidad, y las
neuronas artificiales tambin son ms simples que su contrapartida animal.
ALGARAAZ
PERFIL DE TESIS
NEURONALES
Biolgicamente, un cerebro aprende mediante la reorganizacin de las

conexiones sinpticas entre las neuronas que lo componen. De la misma
manera, las RNA tienen un gran nmero de procesadores virtuales
interconectados que de forma simplificada simulan la funcionalidad de las
neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones
sinpticas biolgicas se modela mediante un mecanismo de pesos, que son
ajustados durante la fase de aprendizaje. En una RNA entrenada, el conjunto
de los pesos determina el conocimiento de esa RNA y tiene la propiedad de
resolver el problema para el que la RNA ha sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada
neurona tiene asociada una funcin matemtica denominada funcin de
transferencia. Dicha funcin genera la seal de salida de la neurona a partir
de las seales de entrada. La entrada de la funcin es la suma de todas las
seales de entrada por el peso asociado a la conexin de entrada de la seal.
Algunos ejemplos de entradas son la funcin escaln de Heaviside, la lineal o
mixta, la sigmoide y la funcin gaussiana, recordando que la funcin de
transferencia es la relacin entre la seal de salida y la entrada.
1.5. VENTAJAS
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que
estn basadas en la estructura del sistema nervioso, principalmente el
cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una

etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la
RNA datos como entrada a su vez que se le indica cul es la salida (respuesta)
esperada.
Auto organizacin: Una RNA crea su propia representacin de la

informacin en su interior, descargando al usuario de esto.
Tolerancia a fallos: Debido a que una RNA almacena la informacin de

forma redundante, sta puede seguir respondiendo de manera aceptable aun
si se daa parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la

informacin de entrada, como seales con ruido u otros cambios en la entrada
(por ejemplo si la informacin de entrada es la imagen de un objeto, la
respuesta correspondiente no sufre cambios si la imagen cambia un poco su
brillo o el objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es

implementado con computadoras o en dispositivos electrnicos especiales, se
pueden obtener respuestas en tiempo real.
2. TIPOLOGA DE LAS RNA

ALGARAAZ
PERFIL DE TESIS
NEURONALES
2.1. MODELOS
Existe una serie de modelos que aparecen en la mayora de estudios
acadmicos y la bibliografa especializada.
Perceptrn
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Boltzmann
Mquina de Cauchy
Propagacin hacia atrs (backpropagation)
Redes de Elman
Redes de Hopfield
Red de contrapropagacin
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Mapas Autoorganizados (RNA) (Redes de Kohonen)
Crecimiento dinmico de clulas
Gas Neuronal Creciente
Redes ART (Adaptative Resonance Theory)

2.2. TOPOLOGA
Una primera clasificacin de las redes de neuronas artificiales que se suele
hacer es en funcin del patrn de conexiones que presenta. As se definen tres
tipos bsicos de redes:
Dos tipos de redes de propagacin hacia delante o acclicas en las

que todas las seales van desde la capa de entrada hacia la salida sin existir
ciclos, ni conexiones entre neuronas de la misma capa.
o
o
Monocapa. Ejemplos: perceptrn, Adaline.

Multicapa. Ejemplos: perceptrn multicapa.
Las redes recurrentes que presentan al menos un ciclo cerrado de

activacin neuronal. Ejemplos: Elman, Hopfield, mquina de Boltzmann.
2.3. APRENDIZAJE
ALGARAAZ
PERFIL DE TESIS
NEURONALES
Una segunda clasificacin que se suele hacer es en funcin del tipo de
aprendizaje de que es capaz (si necesita o no un conjunto de entrenamiento
supervisado). Para cada tipo de aprendizaje encontramos varios modelos
propuestos por diferentes autores:
Aprendizaje supervisado: necesitan un conjunto de datos de entrada

previamente clasificado o cuya respuesta objetivo se conoce. Ejemplos de
este tipo de redes son: el perceptrn simple, la red Adaline, el perceptrn
multicapa, red backpropagation, y la memoria asociativa bidireccional.
Aprendizaje no supervisado o autoorganizado: no necesitan de tal

conjunto previo. Ejemplos de este tipo de redes son: las memorias asociativas,
las redes de Hopfield, la mquina de Boltzmann y la mquina de Cauchy, las
redes de aprendizaje competitivo, las redes de Kohonen o mapas
autoorganizados y las redes de resonancia adaptativa (ART).
Redes hbridas: son un enfoque mixto en el que se utiliza una funcin

de mejora para facilitar la convergencia. Un ejemplo de este ltimo tipo son
las redes de base radial.
Aprendizaje reforzado: se sita a medio camino entre el supervisado y

el autoorganizado.
2.4. TIPO DE ENTRADA
Finalmente tambin se pueden clasificar las RNAs segn sean capaces de
procesar informacin de distinto tipo en:
Redes analgicas: procesan datos de entrada con valores continuos y,

habitualmente, acotados. Ejemplos de este tipo de redes son: Hopfield,
Kohonen y las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de naturaleza discreta;

habitualmente valores lgicos booleanos. Ejemplos de este segundo tipo de
redes son: las mquinas de Boltzmann y Cauchy, y la red discreta de Hopfield.
2.5. APLICACIONES
Las caractersticas de las RNA las hacen bastante apropiadas para
aplicaciones en las que no se dispone a priori de un modelo identificable que
pueda ser programado, pero se dispone de un conjunto bsico de ejemplos de
entrada (previamente clasificados o no). Asimismo, son altamente robustas
tanto al ruido como a la disfuncin de elementos concretos y son fcilmente
paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz,
imgenes, seales, etc. Asimismo se han utilizado para encontrar patrones de
fraude econmico, hacer predicciones en el mercado financiero, hacer
predicciones de tiempo atmosfrico, etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos
o algoritmos con complejidad razonable; por ejemplo la red de Kohonen ha
sido aplicada con un xito ms que razonable al clsico problema del viajante
ALGARAAZ
PERFIL DE TESIS
NEURONALES
(un problema para el que no se conoce solucin algortmica de complejidad
polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en
conjuncin con los algoritmos genticos (AG) para crear controladores para
robots. La disciplina que trata la evolucin de redes neuronales mediante
algoritmos genticos se denomina Robtica Evolutiva. En este tipo de
aplicacin el genoma del AG lo constituyen los parmetros de la red
(topologa, algoritmo de aprendizaje, funciones de activacin, etc.) y la
adecuacin de la red viene dada por la adecuacin del comportamiento
exhibido por el robot controlado (normalmente una simulacin de dicho
comportamiento).
3. PLANTEMIENTO DEL PROBLEMA
3.1 OBSERVACION DEL PROBLEMA
Las formas de realizar fraude estn constantemente evolucionando y

cambiando; esto se debe a que la tecnologa en telecomunicaciones avanza y
restringe cada vez ms las posibilidades de cometer
actos
fraudulentos.
Cuando las primeras redes mviles de comunicaciones analgicas fueron

lanzadas al mercado, su debilidad principal resida en la seguridad,
particularmente en la falta de encriptacin de los datos en los canales de
comunicacin que permita la clonacin de telfonos celulares (dos aparatos
diferentes usando la misma cuenta). A medida que la tecnologa evolucion
de analgica a digital, la naturaleza del fraude ha cambiado hacindose ms
difcil la clonacin, y llevando estas actividades hacia otros tipos de fraude; sin
embargo, tampoco las redes digitales estn libradas completamente del
fraude de clonacin.
La prdida anual en la industria global de las telecomunicaciones debido al

fraude se estima en decenas de millones de dlares [Taniguchi, Haft, Hollmen
& Tresp, 1998]. Esto hace que la deteccin y prevencin del fraude sea una
actividad muy importante.
Adems con el avance de las tecnologas los fraudes se han incrementado de

manera considerable, ya que en nuestro pas especficamente no existe un
control especifico de lo que se hace en la red de internet u otro tipo de
ALGARAAZ
PERFIL DE TESIS
NEURONALES
tecnologas ya existentes para el beneficio de la humanidad, lo cual resulta de
forma perjudicial para la gente que es la que usa esta tecnologa por la
necesidad de mantenerse comunicada esto gracias a la globalizacin.
Sin embargo, la seguridad telefnica y los procesos fraudulentos en la misma

se rigen tambin en la falta de leyes procesos y normas las cuales colaboren a
las personas en este tipo de fraudes se presentan en nuestra actualidad con
los famosos pinchazos telefnicos o el espionaje a la telefona celular o
telefona fija.
3.2. IDENTIFICACION DEL PROBLEMA

Pues viendo estos aspectos se identifica que el problema de investigacin es
la deteccin de fraudes de la telefona celular con las tecnologas
correspondientes.
Si bien el presente trabajo se enfoca en la deteccin de fraude en telefona
celular y no en cmo funciona especficamente una red de dicho servicio, es
til ubicar el trabajo en el marco tecnolgico en el que se desenvuelve.
El servicio de telefona celular inalmbrica hizo su aparicin en Estados
Unidos en 1984 y en muy poco tiempo ha tenido un alta crecimiento y xito.
Durante los primeros cuatro aos de operacin (entre 1984 y 1988)
experiment un crecimiento sostenido de ms del 100%. Para 1990, la
cantidad de usuarios llegaba a 5,3 millones; para 1996 ya haba alrededor de
44 millones. Tambin es un gran xito la telefona celular en Europa y
mercados emergentes como los de latino Amrica [Noll, 1999].
Inicialmente, el servicio de telefona celular se orient hacia el uso en los
automviles, pero luego el mercado se fue extendiendo a cualquier persona
con necesidad de comunicarse incluyendo nuevas unidades que pueden
llevarse en un bolsillo [Noll, 1999].
3.3 SELECCIN DEL PROBLEMA
Cuando se inicia una llamada de celular, las celdas o switches registran que la
misma se est realizando y producen informacin referida a este evento.
Estos registros de datos son comnmente llamados CDRs (Call Detail
Records). Los CDRs contienen importante informacin sobre la llamada para
que luego sta pueda ser cobrada a quien corresponda [ASPeCT, 1997].
Estos
registros
tambin
pueden
ser
usados
para
detectar
actividad
fraudulenta considerando indicadores de fraude bien estudiados. Es decir,

ALGARAAZ
PERFIL DE TESIS
NEURONALES
procesando una cantidad de CDRs recientes y comparando una funcin de
los diferentes campos tales como IMSI (International Mobile Subscriber
Identity, que identifica unvocamente un usuario en una red de telefona
celular), fecha de la llamada, hora de la llamada, duracin, tipo de llamada
con un cierto criterio determinado [Moreau & Preneel, 1997]. Si esta funcin
devuelve un valor que se considera fuera de los lmites normales, se activa
una alarma, que debe ser tomada en cuenta por los analistas de fraude para
constatar si realmente hubo o no actividad de mala fe.
Para poder procesar estos CDRs es necesario realizar previamente un proceso
conocido en telecomunicaciones como mediacin, en el cual se lee la
informacin con el formato de registro en el que vienen los CDRs (el mismo
puede ser de longitud variable dependiendo del tipo de llamada y del
proveedor del switch) y se codifica en un nuevo formato de registro
entendible por el sistema de fraude en este caso.
Los sistemas existentes de deteccin de fraude intentan consultar secuencia

de CDRs comparando alguna funcin de los campos con criterios fijos
conocidos como Triggers. Un trigger, si es activado, enva una alarma que
lleva a la investigacin por parte de los analistas de fraude. Estos sistemas
realizan lo que se conoce como Anlisis absoluto de CDRs y son buenos para
detectar los extremos de la actividad fraudulenta. En cambio, para realizar
un anlisis diferencial, se monitorean patrones de comportamiento del
telfono celular comparando sus ms recientes actividades con la historia de
uso del mismo. Un cambio en el patrn de comportamiento es una
caracterstica sospechosa de ser un escenario fraudulento [ASPeCT, 1997].
3.4. PRESENTACIN DEL PROBLEMA
Es la deteccin de fraude celular a nivel local por lo tanto se siguen estas
preguntas:
3.4.1.Quin tiene el problema?
El problema lo tiene toda la gente la cual pueda acceder a un

celular ya que los fraudes se pueden presentar a cualquier persona
que tenga acceso a los mismos.

ALGARAAZ
PERFIL DE TESIS
NEURONALES
3.4.2.Qu est sucediendo en el momento de la investigacin?
La investigacin se desarrolla en torno a la telefona celular ya que

gracias a la globalizacin la mayora de las personas tienen acceso
a un celular(o casi todas), viendo este aspecto importante a nivel
mundial, nacional internacional pero sobre todo esta investigacin
se la hace a nivel local ya que las personas son sometidas a
fraudes telefnicos, asi pues la gente malintencionada quiere
hacer dao o hace dao a las personas puesto que con los fraudes
telefnicos y los famosos escuchas y pinchazos telefnicos mellan
la privacidad de las personas.
Por tanto se usaran sistemas de control para la deteccin de

fraudes telefnicos.
3.4.3.Cmo est sucediendo?
Este problema est sucediendo gracias a la utilizacin de las

tecnologas de la telecomunicacin pues estas estn siendo mal
utilizadas por personas males intencionados.
Para el perjuicio de la gente. Sin embargo, existen tecnologas que
siendo bien utilizadas pueden detener o por lo menos disminuir
este tipo de abuso a la privacidad.
3.4.4.Cundo est sucediendo?
Esto est sucediendo en la actualidad ya que con el avance de las

tecnologas estas pueden ser mal utilizadas.
Y una de las soluciones ptimas es detectarlas a tiempo y por lo
menos coadyuvar a la gente a mantener su privacidad lo ms
posible.
3.4.5.Por qu est sucediendo?
Por el mal uso de las tecnologas ya que estas avanzan

progresivamente,
pues
los
fraudes
tambin
avanzan
correlativamente. Ya que existen personas que se encargan de

daar a la gente.
ALGARAAZ
PERFIL DE TESIS
NEURONALES
3.4.6.Qu suceder si el problema no se soluciona?
Pues si el problema de fraudes telefnicos a nivel celular se sigue

manteniendo la privacidad de la gente que accede a este medio se
ver afectada de forma ms y ms fuerte en su privacidad. Puesto
que el avance de la tecnologa es muy veloz y como en todo se
inventan nuevos remedios pero tambin existen nuevos males.
3.4.7.Como solucionar la Problemtica?
Con la ayuda de redes neuronales realizar sistemas de control para
la deteccin y cambio en las llamadas de los usuarios, adems de
determinar el comportamiento de los mismos en base a registros.
3.5.FORMULACIN DEL PROBLEMA
El problema es la deteccin de fraudes telefnicos en tomando como base las
redes neuronales para asi ayudar a la gente a conservar su privacidad. Con las
tecnologas de los sistemas de control.
3.5.1. OBJETIVO DE ESTUDIO
El objetivo de Estudio es la Deteccin de fraudes en la telefona
celular.
Cmo apoyar en el proceso de deteccin de fraudes en la
telefona celular para obtener resultados de forma rpida
precisa y ptima, para asi mantener la privacidad a nivel
local?
3.5.2. CAMPO DE ACCIN
En base a sistemas de control de registros telefnicos coadyuvar a
la deteccin de fraudes en la telefona celular a nivel local.

ALGARAAZ
PERFIL DE TESIS
NEURONALES
GLOSARIO DE TRMINOS DEL TEMA

RED: Conjunto de elementos organizados para determinado fin. Red del
abastecimiento de aguas. Red telegrfica o telefnica. Red ferroviaria o de
carreteras. || 2. Confluencia de calles en un mismo punto.||3. cadena ( conjunto
de establecimientos o construcciones pertenecientes a una sola empresa).
NEURONAL: V. Microcircuito .adj. Perteneciente o relativo a la neurona.
MICROCIRCUITO: Electr. Circuito electrnico compacto, compuesto de elementos
de pequeo tamao. || neuronal. m. Biol. Conjunto de conexiones e interacciones
entre neuronas dentro de los centros nerviosos.
ARTIFICIAL: (Del lat. artificilis). adj. Hecho por mano o arte del hombre. || 2. No
natural, falso. || 3. Producido por el ingenio humano. || 4. ant. artificioso (
disimulado, cauteloso).
DETECCION: (Del lat. detecto, -nis). f. Accin y efecto de detectar.
DETECTAR: (Del ingl. to detect). tr. Descubrir la existencia de algo que no era
patente. || 2. Electr. Extraer de la onda modulada la seal transmitida.
ALGARAAZ
PERFIL DE TESIS
NEURONALES
FRAUDE: (Del lat. fraus, fraudis). m. Accin contraria a la verdad y a la rectitud,

que perjudica a la persona contra quien se comete. || 2. Acto tendente a eludir una
disposicin legal en perjuicio del Estado o de terceros. || 3. Der. Delito que comete
el encargado de vigilar la ejecucin de contratos pblicos, o de algunos privados,
confabulndose con la representacin de los intereses opuestos. || en de
acreedores. loc. adj. Der. Se dice del acto del deudor, generalmente simulado y
rescindible, que deja al acreedor sin medio de cobrar lo que se le debe.
TELEFONA: f. Arte de construir, instalar y manejar los telfonos. || 2. Servicio
pblico de comunicaciones telefnicas. mvil. f. Sistema telefnico en el que la
conexin entre el aparato porttil y la central se realiza mediante ondas hercianas.
MELLAR:(Del lat. *gemellre, igualar, de gemellus, gemelo). tr. Hacer mellas.
Mellar la espada, el plato. U. t. c. prnl. || 2. Menoscabar, disminuir, minorar algo no
material. Mellar la honra, el crdito. U. t. c. prnl.
MENOSCABAR:(De menos y cabo1). tr. Disminuir algo, quitndole una parte,
acortarlo, reducirlo. U. t. c. prnl. || 2. Deteriorar y deslustrar algo, quitndole parte
de la estimacin o lucimiento que antes tena. || 3. Causar mengua o descrdito en
la honra o en la fama.
PRIVACIDAD: f. mbito de la vida privada que se tiene derecho a proteger de
cualquier intromisin.
INTROMISIN:(Formado sobre el lat. intromissus). f. Accin y efecto de entremeter
o entremeterse.
ENTREMETER: (Del lat. intermittre). tr. Meter algo entre otras cosas.
ENTREMETIDO, DA::(Del part. de entremeter). adj. Dicho de una persona: Que tiene
costumbre de meterse donde no la llaman.
TELECOMUNICACIN: f. Sistema de comunicacin telegrfica, telefnica o
radiotelegrfica y dems anlogos.
TELEGRFICO, CA: adj. Perteneciente o relativo al telgrafo o a la telegrafa. || 2.
Dicho del estilo: Sumamente conciso.
TELFONO: (De tele- y -fono). m. Conjunto de aparatos e hilos conductores con los
cuales se transmite a distancia la palabra y toda clase de sonidos por la accin de la
electricidad. || 2. Aparato para hablar segn ese sistema. || 3. Nmero que se
asigna a cada uno de esos aparatos. || ~ celular. m. Arg., Col., Cuba, El Salv., Ur. y
Ven. Telfono mvil. || ~ de alcanca. m. Cuba. telfono pblico que funciona
insertando monedas. || Monedero. m. Ur. telfono pblico que funciona
insertando monedas o fichas. || Mvil. m. Aparato porttil de un sistema de
telefona mvil.
CELULAR : Telfono Mvil

ALGARAAZ
PERFIL DE TESIS
NEURONALES
BIBLIOGRAFA
Red neuronal artificial Wikipedia, enciclopedia Libre.
Deteccin de Fraudes de telefona celular usando
redes
neuronales Del Sr. Hernn Grosser, UNIVERSIDAD DE BUENOS

AIRES, REPUBLICA ARGENTINA
Diccionario de Microsoft Encarta.

ALGARAAZ

Detección de Fraude de Telefonia Celular en Base A Redes Neuronales

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Detección de Fraude de Telefonia Celular en Base A Redes Neuronales

Caricato da

Copyright:

Formati disponibili

PERFIL DE TESIS

DETECCIN DE FRAUDE DE TELEFONIA CELULAR EN BASE A REDES

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

DETECCIN DE FRAUDE DE TELEFONIA CELULAR EN BASE A REDES

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

Perceptrn con 2 entradas.

1.3. DISEO Y PROGRAMACIN DE UNA RNA (RED NEURONAL

Por ejemplo en una red que se va a aplicar al diagnstico de imgenes

Biolgicamente, un cerebro aprende mediante la reorganizacin de las

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una

Auto organizacin: Una RNA crea su propia representacin de la

Tolerancia a fallos: Debido a que una RNA almacena la informacin de

Flexibilidad: Una RNA puede manejar cambios no importantes en la

Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es

2. TIPOLOGA DE LAS RNA

Propagacin hacia atrs (backpropagation)

Redes de neuronas de base radial

Redes de neuronas de aprendizaje competitivo

Mapas Autoorganizados (RNA) (Redes de Kohonen)

Crecimiento dinmico de clulas

Gas Neuronal Creciente

Redes ART (Adaptative Resonance Theory)

Dos tipos de redes de propagacin hacia delante o acclicas en las

Monocapa. Ejemplos: perceptrn, Adaline.

Las redes recurrentes que presentan al menos un ciclo cerrado de

Aprendizaje supervisado: necesitan un conjunto de datos de entrada

Aprendizaje no supervisado o autoorganizado: no necesitan de tal

Redes hbridas: son un enfoque mixto en el que se utiliza una funcin

Aprendizaje reforzado: se sita a medio camino entre el supervisado y

Redes analgicas: procesan datos de entrada con valores continuos y,

Redes discretas: procesan datos de entrada de naturaleza discreta;

Las formas de realizar fraude estn constantemente evolucionando y

Cuando las primeras redes mviles de comunicaciones analgicas fueron

La prdida anual en la industria global de las telecomunicaciones debido al

Adems con el avance de las tecnologas los fraudes se han incrementado de

Sin embargo, la seguridad telefnica y los procesos fraudulentos en la misma

3.2. IDENTIFICACION DEL PROBLEMA

fraudulenta considerando indicadores de fraude bien estudiados. Es decir,

Los sistemas existentes de deteccin de fraude intentan consultar secuencia

El problema lo tiene toda la gente la cual pueda acceder a un

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

La investigacin se desarrolla en torno a la telefona celular ya que

Por tanto se usaran sistemas de control para la deteccin de

3.4.3.Cmo est sucediendo?

Este problema est sucediendo gracias a la utilizacin de las

Esto est sucediendo en la actualidad ya que con el avance de las

Por el mal uso de las tecnologas ya que estas avanzan

correlativamente. Ya que existen personas que se encargan de

3.4.6.Qu suceder si el problema no se soluciona?

Pues si el problema de fraudes telefnicos a nivel celular se sigue

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

GLOSARIO DE TRMINOS DEL TEMA

FRAUDE: (Del lat. fraus, fraudis). m. Accin contraria a la verdad y a la rectitud,

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

neuronales Del Sr. Hernn Grosser, UNIVERSIDAD DE BUENOS

UNIVERSIDAD AUTONOMA TOMAS FRAS | DOCENTE: M.SC. LIC ANNY MERCADO

Potrebbero piacerti anche