6
Christian Layme Fernández  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
José Manuel Suri Canaza  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
claymef@unsa.edu.pe  
jsurica@unsa.edu.pe  
David Jose Peña Ugarte  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Jhon Yoset Luna Quispe  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
dpenau@unsa.edu.pe  
jlunaq@unsa.edu.pe  
ARK: ark:/42411/s8/a49  
PURL: 42411/s8/a49  
RECIBIDO 05/09/2021 ● ACEPTADO 08/11/2021 ● PUBLICADO 30/03/2022  
RESUMEN  
La seguridad informática, es un área muy importante en cualquier sistema que tenga conexión a  
internet, debido a que existen sitios Web fraudulentos que pueden realizar acciones delictivas  
hacia una persona, organización u otra entidad. Por lo cual es necesario poder detectar qué sitios  
web son fraudulentos antes de poder ingresar a ella, para ello se desarrolló una implementación  
mediante Árboles de Decisión con el lenguaje de Python para poder detectar y clasificarlos en  
Legítimos, Sospechosos y Fraudulentos por medio de 1353 casos que clasifican a los sitios webs.  
Palabras claves: Árbol de Decisión, Python, Seguridad Informática, Web Sites.  
ABSTRACT  
Computer security is a very important area in any system that has an internet connection,  
because there are fraudulent websites that can carry out criminal actions towards a person,  
organization or other entity. Therefore, it is necessary to be able to detect which websites are  
fraudulent before being able to enter it, for this an implementation was developed through  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
7
Decision Trees with the Python language to detect and classify them as Legitimate, Suspicious  
and Fraudulent through 1353 cases that they rank websites.  
Keywords: Decision Tree, Python, Computer Security, Web Sites.  
INTRODUCCIÓN  
Uno de los cambios más notorios actualmente en el mundo, aún más por el tiempo de cuarentena,  
es el uso de Internet y de servicios Web, como son el comercio electrónico, el cual aumentó, por  
las circunstancias que atraviesa el mundo, Internet se convirtió no solo en un gran apoyo para la  
sociedad, que utiliza el E-commerce para poderse suministrar las necesidades que tenga, Internet  
también está siendo utilizado por delincuentes que roban la información de muchas personas y  
cometiendo actos fraudulentos, el cual genera pérdidas de miles de millones cada año, estos  
sitios web suelen presentarse como sitios web amigables y de fuentes legítimas de información,  
productos y servicios en línea.  
Los sitios web fraudulentos tienen características, como son: SFH, Si el sitio web tiene definido  
la propiedad action en sus formularios de forma correcta dirigiendo los datos de los formularios  
a direcciones del mismo sitio web. PopUp Windows, Si el sitio tiene ventanas emergentes  
(PopUp). SSL Final State, Si el sitio web utiliza conexión SSL, que la misma presente un estado  
final válido. Request URL, cuando son objetos (imágenes, scripts, hojas de estilos) que son  
cargadas de otra URL distinta a la del sitio. URL of Anchor, cuando los objetos de una página  
son cargados desde el mismo sitio o desde un subdominio del mismo. Web Traffic Si tiene  
configurado un analizador de tráfico web como el Google Analytics. URL Length Cantidad de  
caracteres de la dirección URL. Age of Domain, Cantidad de años que lleva activo el dominio de  
la URL. Have IP, Si tiene o no dirección IP. Las medidas existentes, que disponen los buscadores,  
han mejorado, pero no son suficientes para detectar sitios web fraudulentos, aún más por el  
esfuerzo de los que generan este tipo de sitios web para poder eludir estas medidas.  
El uso de Árboles de Decisión resulta ser una buena opción para poder detectar los sitios web  
fraudulentos. Un árbol de decisión es una forma gráfica y analítica de representar todos los  
eventos (sucesos) que pueden surgir a partir de una decisión asumida en cierto momento. Nos  
ayudan a tomar la decisión “más acertada”, desde un punto de vista probabilístico, ante un  
abanico de posibles decisiones. Permite desplegar visualmente un problema y organizar el trabajo  
de cálculos que deben realizarse.  
El propósito de este artículo, es el desarrollo un detector de sitios web fraudulentos, a través de  
inteligencia artificial usando árboles de decisión, con uso librerías para desarrollar el aprendizaje  
en Python, teniendo 1353 casos en los que se clasifican los sitios web, que serán evaluados y  
empleando la herramienta Graphviz para visualizar el Árbol decisión resultante.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
8
Herramientas  
Dataset  
Es un conjunto de datos conocido también por el anglicismo dataset, es una colección de datos  
habitualmente tabulada. En general, y en su versión más simple, un conjunto de datos  
corresponde a los contenidos de una única tabla de base de datos o una única matriz de datos  
estadística, donde cada columna de la tabla representa una variable en particular, y cada fila  
representa a un miembro determinado del conjunto de datos en cuestión [1].  
La publicación de los conjuntos de datos usados en un experimento son clave para su  
reproducibilidad, y cada vez son más las leyes públicas y normas de revistas científicas que  
obligan a hacerlos públicos, para evitar sesgos. Existen muchas fuentes de datasets como kaggle,  
el mismo google tiene una plataforma para buscar dataset “Dataset Search” [2].  
Colab  
Colaboratory es un proyecto de investigación de Google creado para ayudar a difundir la  
educación y la investigación sobre Machine Learning. Es un entorno de Jupyter que no requiere  
configuración para su uso y se ejecuta completamente en la nube. [3]  
Funcionamiento  
Colaboratory es gratuita y forma parte de la suite de aplicaciones de Google en la nube. Por ello,  
para utilizarlo basta con acceder a nuestra cuenta de Google y, o bien entrar directamente al  
enlace de Google Colab o ir a nuestro Google Drive, pulsar el botón de «Nuevo» y desplegar el  
menú de «Más» para seleccionar «Colaboratory», lo que creará un nuevo cuaderno (notebook)  
[
4].  
Entorno de Ejecución  
Cada celda es independiente, pero todas las celdas en un cuaderno utilizan el mismo kernel. El  
kernel es el motor de computación que está por debajo y que se encarga de ejecutar nuestro  
código y devolver el resultado para mostrarlo en la celda.  
El estado del kernel persiste durante el tiempo, con lo que, aunque cada celda sea independiente,  
las variables declaradas en una celda se pueden utilizar en las demás celdas [4].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
9
Librerías  
Figura 1. Librería pandas  
Pandas es una herramienta de manipulación de datos de alto nivel desarrollada por Wes  
McKinney. Es construido con el paquete Numpy y su estructura de datos clave es llamada el  
DataFrame. El DataFrame te permite almacenar y manipular datos tabulados en filas de  
observaciones y columnas de variables [5].  
Figura 2. Librería numpy  
Numpy es la biblioteca central para la computación científica en Python. Proporciona un objeto  
de matriz multidimensional de alto rendimiento y herramientas para trabajar con estas  
matrices.[6].  
Figura 3. Librería matplotlib  
Matplotlib es una biblioteca de trazado 2D de Python que produce figuras de calidad de publicación  
en una variedad de formatos impresos y entornos interactivos en todas las plataformas.  
matplotlib se puede usar en scripts de Python, el shell de python e ipython, servidores de  
aplicaciones web y seis juegos de herramientas de interfaz gráfica de usuario. matplotlib intenta  
hacer las cosas fáciles y las difíciles posibles. Puede generar gráficos, histogramas, espectros de  
potencia, gráficos de barras, gráficos de error, gráficos de dispersión, etc., con solo unas pocas  
líneas de código [7].  
Figura 4. Librería matplotlib  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
0
Scikit-learn anteriormente scikits.learn y también conocido como sklearn es una biblioteca de  
machine learning de software libre para el lenguaje de programación Python. [9]  
Cuenta con varios algoritmos de clasificación, regresión y agrupamiento que incluyen support-  
vector machines, random forests, gradient boosting, k-means y DBSCAN, y está diseñado para  
interoperar con las bibliotecas numéricas y científicas de Python NumPy y SciPy, sus principales  
algoritmos realizan [8]:  
•
•
•
•
•
•
Classification: Identifica a qué categoría pertenece un objeto  
Regression: Predice un atributo de valor continuo asociado con un objeto.  
Clustering: Agrupación automática de objetos similares en conjuntos.  
Dimensionality reduction: Reduce el número de variables aleatorias a considerar.  
Model selection: Comparara, válida y elige parámetros y modelos.  
Preprocessing: Extrae y normaliza las características.  
Métodos y Metodología computacional  
Se usó para el desarrollo de este detector de sitios web fraudulentos usamos el modelo CRISP-  
DM, la cual comprende de seis fases: análisis del problema, análisis de Datos, preparación de los  
Datos, modelado, evaluación y explotación [10].  
•
•
•
•
La fuente de información fue un Dataset.csv, esto fue sacado de internet con datos reales,  
para poder construir un árbol de decisión utilizando las librerías sklearn, y se hizo uso de  
las funciones que nos brinda.  
Análisis del problema: Identificamos qué tipos de clasificación tendrán las páginas que se  
van a probar, viendo que pueden ser tres, y también identificamos la información necesaria  
para poder hacer esta clasificación.  
Análisis de Datos: con el dataset que obtuvimos, vimos que cantidad de información tiene,  
y las variables lingüísticas las clasificamos en números para su uso correcto con la librería  
que se trabajaría.  
Preparación de Datos: Se hizo una limpieza del dataset, con las funciones que nos brinda  
la libre, como eliminación de campos vacíos, datos irrelevantes.  
•
•
Modelado: Seleccionamos la técnica adecuada para poder hacer la clasificación.  
Evaluación: Tuvimos que corroborar efectivamente que el modelo escogido se ajuste a lo  
que estamos buscando, en este caso poder clasificar los diferentes sitios web.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
1
RESULTADOS Y DISCUSIÓN  
Teniendo en cuenta las fases de la metodología CRISP-DM los siguientes son los resultados de  
cada una de las etapas:  
Análisis del problema  
La Dirección de Seguridad Informática de una universidad pretende desarrollar un sistema  
informático capaz de detectar si un sitio web es fraudulento.  
Análisis de los datos  
Del dataset descargado de internet, después de consultar el número de casos de las tablas de  
hechos para los nueve eventos en cuestión como se muestra en la Figura 5, se cuenta con un  
número de 1353 datos por cada categoría. Sin embargo, no todos los eventos comparten las  
mismas características. Una primera modificación de atributos se realizó para estandarizar  
aquellas variables lingüísticas dentro del dataset.  
El número de eventos modificado es 7, y son los siguientes: SFH, popUpWindows, SSLfinalState,  
Request URL, URL of Anchor, web Traffic, Have IP y Clasificación del sitio web. Con el fin de  
obtener los atributos estandarizados para el estudio, se realizó una búsqueda y análisis inicial de  
errores de los atributos, cambiando la codificación utilizando el rango establecido entre -1, 0 y 1.  
Basado en la información recepcionada se selecciona Clasificación del sitio web como variable  
objetivo.  
Como resultado se obtuvo el repositorio inicial con los 1353 datos, y sirvió de base para las  
siguientes etapas de este proceso.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
2
Figura 5. Mapa de burbujas de los rasgos a evaluar  
Preparación de los datos  
Se realizó un análisis de la calidad de los datos del dataset, donde se identificó por cada atributo  
el número de valores distintos, el número de valores nulos, el valor máximo, valor mínimo, media  
y moda. Como resultado de este proceso, se seleccionaron los 9 eventos, sobre el cual se  
aplicaron las técnicas de modelado. Todos estos atributos son características propias del tema  
evaluado.  
Modelado  
Con el fin de encontrar o descubrir sitios web fraudulentos, se seleccionó el modelo de clasificación  
basado en árboles de decisión. La clasificación con árboles de decisión considera clases disjuntas,  
de forma que el árbol conducirá mediante sus hojas a la predicción diseñada. Después de  
construido el modelo servirá para determinar en nuevos casos, el tipo de sitio web visitado. Para  
esta tarea, se escogió como clase el atributo clasificación que determina si el sitio web es  
fraudulenta, sospechosa, o legítima.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
3
Para evaluar la calidad del modelo, se dividió el repositorio de datos en dos conjuntos:  
entrenamiento y prueba.  
Se empleó el 75% de los datos para el entrenamiento del modelo, mientras que el 25% restante  
se utilizó para la prueba. Los grupos de datos antes explicados se toman de forma aleatoria en  
cada iteración. Se calculó el error de muestra parcial del modelo por cada iteración. Por último,  
se construyó el modelo con todos los datos.  
Para la lectura de los resultados de la evaluación se utiliza la matriz de confusión. Se visualiza  
una matriz de confusión tomada de un ejemplo aleatorio del proyecto. Además de la matriz, se  
visualiza la precisión del árbol, todo esto se muestra en la Figura 6.  
Figura 6. Matriz de confusión y precisión del árbol  
Evaluación  
Analizando los resultados de las pruebas de clasificación con árboles de decisión realizadas con  
el conjunto de datos, en el cual se almacenan los datos de 1353 casos, se puede observar que el  
árbol de decisión construido con un factor de entrenamiento del 75%, esto quiere decir 1014  
casos tomados aleatoriamente, y un número de casos de evaluación correspondiente al 25% que  
representa a los 339 casos restantes, con 285 instancias correctamente clasificadas, que  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
4
corresponden a un porcentaje de precisión del 84,07% y 54 instancias incorrectamente  
clasificadas, correspondiente a un porcentaje de error del 15,93%.  
El árbol de decisión generado evalúa cada caso buscando que la entropía se iguale a cero. En  
algunas ramas, los resultados se visualizan en capas superiores, y de esta manera, mientras se  
aumenta la profundidad del árbol se encuentra mayor cantidad de resultados. El árbol de decisión  
es de tipo binario, ya que solo muestra dos ramas hijas, algunas concluyendo en hojas de manera  
temprana.  
El algoritmo genera la repartición y categorización de los nodos hijos haciendo una evaluación  
ponderada, utilizando teoría de árboles de decisión, y brindando un número que sirve de  
particionador en nodo hijo izquierdo y nodo hijo derecho, así sucesivamente hasta llegar al final.  
Cada nodo hoja evalúa la partición de cada evento, además de su entropía, mostrando también  
el número de datos evaluados y mostrando cuantos pertenecen a cada sección de la clasificación  
(fraudulento=-1, sospechoso=0 y legítimo=1).  
Implementación  
Teniendo en cuenta los patrones descubiertos, es importante implementar planes de prevención  
que permitan disminuir los sitios web fraudulentos. Implementar programas de de ciber seguridad  
que permitan prevenir la infiltración delictiva. De igual manera, se deben redoblar esfuerzos en  
educación de seguridad cibernética y sanciones más enérgicas contra los infractores.  
Este conocimiento descubierto se incorporará al existente y se integrará a los procesos de toma  
de decisiones de los analizadores de sitios web fraudulentos, proporcionando nuevos panoramas.  
Discusión  
Según la matriz de confusión de la Figura 2, el modelo clasifica correctamente al 43,95% de casos  
fraudulentos, al 4,72% de casos sospechosos y al 35,40% de casos legítimos. Por otra parte, la  
precisión con la clase real de este modelo es de 0,84 que se considera aceptable (1,0 significa  
que ha habido precisión absoluta).  
Los porcentajes de instancias correctamente clasificados presentados en el árbol como en la  
matriz de confusión indican que el modelo tiene una precisión buena, por lo tanto, es confiable y  
eficiente, para clasificar nuevos casos, especialmente fraudulentos y legítimos. Este estudio da  
resultados aceptables que servirán de base al estudio futuro de reconocimiento de sitios web  
fraudulentos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
5
CONCLUSIONES  
Los resultados obtenidos con el modelo de clasificación por árboles de decisión, indican que este  
es capaz de generar modelos consistentes con la realidad observada y el respaldo teórico,  
basándose únicamente en los datos que se encuentran almacenados en el dataset.  
Los porcentajes de instancias correctamente clasificadas presentados en el árbol como en la  
matriz de confusión muestran que el modelo tiene una precisión buena y por consiguiente es  
confiable para clasificar nuevos casos, especialmente de sitios web fraudulentos y legítimos. El  
factor de confianza sirve de respaldo a los porcentajes antes expuestos.  
Como trabajos futuros se plantea utilizar otros clasificadores para comparar estos resultados y  
mejorar la precisión (por ejemplo, regresión logística), especialmente en los sitios web  
fraudulentos y aumentar el porcentaje de evaluación de sospechosos; aplicar tareas descriptivas  
de minería de datos como asociación y agrupación, con el fin de encontrar relaciones y similitudes,  
según el tipo de sitio web analizado. Dentro de esta investigación no hubo conflicto de intereses.  
REFERENCIAS  
[
1] "Find Open Datasets and Machine Learning Projects | Kaggle", Kaggle.com, 2020.  
Online]. Available: https://www.kaggle.com/datasets. [Accessed: 12 Aug 2020].  
[
[
2]"Conjunto  
de  
datos",  
Es.wikipedia.org,  
2020.  
[Online].  
Available:  
https://es.wikipedia.org/wiki/Conjunto_de_datos#cite_ref-Editorial_1-0. [Accessed: 12-  
Aug- 2020].  
[
[
3] "Colab  
Notebooks",  
Magenta,  
2020.  
[Online].  
Available:  
https://magenta.tensorflow.org/demos/colab/. [Accessed: 12- Aug- 2020].  
4] "Google Colab: Python y Machine Learning en la nube - Adictos al trabajo", Adictos al  
trabajo, 2020. [Online]. Available: https://www.adictosaltrabajo.com/2019/06/04/google-  
colab-python-y-machine-learning-en-la-nube/. [Accessed: 12- Aug- 2020].  
[
5] "Pandas Basics - Learn Python - Free Interactive Python Tutorial", Learnpython.org, 2020.  
[Online]. Available: https://www.learnpython.org/es/Pandas%20Basics. [Accessed: 12-  
Aug- 2020].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
1
6
[
[
6] "Python Numpy Tutorial (with Jupyter and Colab)", Cs231n.github.io, 2020. [Online].  
Available: https://cs231n.github.io/python-numpy-tutorial/#numpy. [Accessed: 12- Aug-  
2
020].  
7] S. Programacion en Castellano, "Introducción a la librería Matplotlib de Python",  
Programación en Castellano., 2020. [Online]. Available:  
https://programacion.net/articulo/introduccion_a_la_libreria_matplotlib_de_python_1599  
[Accessed: 12- Aug- 2020]  
.
[
[
8] "scikit-learn: machine learning in Python — scikit-learn 0.23.2 documentation", Scikit-  
learn.org, 2020. [Online]. Available: https://scikit-learn.org/stable/. [Accessed: 12- Aug-  
2
020].  
9] Fabian Pedregosa; Gaël Varoquaux; Alexandre Gramfort; Vincent Michel; Bertrand  
Thirion; Olivier Grisel; Mathieu Blondel; Peter Prettenhofer; Ron Weiss; Vincent Dubourg;  
Jake Vanderplas; Alexandre Passos; David Cournapeau; Matthieu Perrot; Édouard  
Duchesnay (2011). "Scikit-learn: Machine Learning in Python". Journal of Machine Learning  
Research. 12: 2825–2830.  
[
10]  
J. Gallardo, “Metodología para el Desarrollo de Proyectos en Minería de Datos CRISP-DM”  
oldemarrodriguez.com,  
para.  
2,  
Aug.  
12,  
2007.  
[Online].  
Available:  
http://www.oldemarrodriguez.com/yahoo_site_admin/assets/docs/Documento_CRISP-  
DM.2385037. [Accessed Aug. 12, 2020].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935