Disciplina: Simulación de Sistemas

APLICACIÓN DE LAS VARIABLES ALEATORIAS EN EL

ÁREA DE SEGURIDAD INFORMATICA.
APLICACIÓN DE LAS VARIABLES ALEATORIAS EN
INGENIERIA DE SEGURIDAD.

APLICANDO CRIPTOGRAFIA

1
Estudiantes de la Escuela militar de Ingeniería,

E-mail de autores : Adriana Ticonipa Gutierrez Adriana_osito_vlv@hotmail.com

E-mail de autores : Sara Yoselin Huanca Copari yose_copari@gmail.com
E-mail de autores: Jonathan Mamani Buenojonbue561@hotmail.com
E-mail de autores : Alex Ramiro Bravo Illanes alex75212857@gmail.com
E-mail de autores: Carlos Angel Tito Cáceres viri_nxg@hotmail.com

Abstract

Palabras Clave:
Análisis de Riesgo, Simulación, Método de Monte Carlo.

1

1 Introducción
1.1 ¿Qué es seguridad informática?
Seguridad informática es el conjunto de
procedimientos, estrategias y herramientas
que permitan garantizar la integridad, la
disponibilidad y la confidencialidad de la
información de una entidad.
1.2 Estrategias de seguridad
La metodología de seguridad está diseñada
para ayudar a los profesionales de la
seguridad a desarrollar una estrategia para
proteger la disponibilidad, integridad y
confidencialidad de los datos de los sistemas
informáticos de las organizaciones.
Es de interés para los administradores de
recursos de información, los directores de
seguridad informática y los administradores,
y tiene un valor especial para todos aquellos
que intentan establecer directivas de
seguridad.
La metodología ofrece un acercamiento
sistemático a esta importante tarea y, como
precaución final, también implica el
establecimiento de planes de contingencia en
caso de desastre. Los administradores de
seguridad tienen que decidir el tiempo,
dinero y esfuerzo que hay que invertir para
desarrollar las directivas y controles de
seguridad apropiados. Para ello se utilizan
variables aleatorias.
Tradicionalmente se ha dado una particular
atención a la criptografía como el centro de
las actividades asociadas a la seguridad en
sistemas de diversa naturaleza.
2 Marco Teórico
finales. Este conjunto de valores permite
calcular el valor medio y la variabilidad para
el conjunto.
3 Marco Práctico
3.1 Dominios de la Aplicación
El método de Monte Carlo es una técnica numérica
para calcular probabilidades y otras cantidades
2
Disciplina: Modelación de Sistemas
relacionadas, utilizando secuencias de números
aleatorios.
Formalmente un cálculo MC no es otra cosa que
una integración.
En general, para integrales unidimensionales
pueden usarse otros métodos numéricos más
optimizados. El métdo MC es, sin embargo muy útil
para integraciones multidimensionales
Generación de números aleatorios
Son necesarios para proporcionar la secuencia
aleatoria inicial (uniformemente distribuida entre 0 y
1).
El método de transformación de variables
Dados r1, r2,…,rn, distribuidos uniformemente en
[0,1] se trata de encontrar un conjunto x1, x2,…,xm,
distribuidos conforme a f(x) mediante una
transformación x(r).
Siendo:
 g(r)dr la probabilidad de obtener un valor r
en [r,r+dr]
 f(x)dx la probabilidad de obtener un valor x
en el intervalo correspondiente a [r,r+dr], es
decir [x(r),x(r)+dx(r)]
Ambas probabilidades tienen que ser iguales
Para determinar la transformación x(r) para la que
la condición anterior se verifica puede imponerse
(la receta no es única) que:
P(r  r ')  P(x  x(r ')) es decir:
 g(r )dr  G(r ')  r '  
f (x ')dx ' F(x(r '))
Por lo tanto, para determinar x(r) la receta es:
Igualar F(x(r)) r y resolver para x(r)
Precisión del método de MC
 Disciplina: Simulación de Sistemas

%Se genera los puntos aleatorios que cumplen las

Cálculo MC = integración.
Precisión -1/√n donde n es el número de valores
aleatorios generados.
Comparamos con otros métodos de integración
numérica: Trapezoidal:
2 if (zi(i) <= fxy(i))
Precisión -1/n
Sin embargo, para d dimensiones la precisión del
método de MC es independiente de d (siempre
-1/√n ) mientras que, por ejemplo, la trapezoidal, -
2/d
1/n
En resumen: Para d alta (d > 4 típicamente) el
método MC da la mayor precisión.
3.1 Aplicación y Simulación
Implementación en Matlab de la simulación de
Montecarlo para el cálculo del volumen bajo
una Superficie.
1.1. Programa donde están definidos los
datos.
%datos para la aproximación
a = 0;%Límite inferior X
b = 2;%Límite inferior X
c = 0;%Límite inferior Y
d = 2;%Límite inferior Y
n = 800;%Número de puntos aleatorios a generar
para simulación de Montecarlo
sim = 2;%Numero de simulaciones de Montecarlo
a realizar
f = 'cos((x.*y)./(x.^2+y.^2+1))';%función a
evaluar
%Se repite la simulación de Montecarlo sim veces,
entre mayores las repeticiones y a mayor cantidad
de números aleatorios mejor la aproximación.
result = 0;
for i=1:sim
result = result + volumenMontecarlo(a,b,c,d,f,n);
end
result = result/sim; %resultado de la
aproximacion de Montecarlo
fprintf('volumen aproximado: %f n',result);
condiciones.
%la función rand genera un numero
pseudoaleatorio entre 0 y 1.
xi(i) = (b-a)*rand + a; %a <= x <= b
yi(i) = (d-c)*rand + c; %c <= y <= d
zi(i) = m*rand; % 0 <= z <= m
%se evalua los puntos de xi e yi en la función
fxy(i) = f(xi(i),yi(i)); % f(xi,yi)
%se verifica que los puntos generados estén o no
bajo la función:
counter = counter + 1;
%los arreglos true contienen las coordenadas de
los puntos que están bajo la función:
trueX(i) = xi(i);trueY(i) = yi(i);trueZ(i) = zi(i);
end
end
%se calcula e volumen aproximado
volumen = m*(d-c)*(b-a)*counter/n;
%Se grafican los puntos aleatorios, los puntos
que están bajo la función y la función
respectivamente
graficar3D(xi,yi,zi,trueX,trueY,trueZ,a,b,c,d,m,fs);
end
1.3. Programa encargado de graficar3D.
function g =
graficar3D(xi,yi,zi,trueX,trueY,trueZ,a,b,c,d,m,fs)
[x,y] = meshgrid(a:0.1:b,c:0.1:d);
f = inline(fs);z = f(x,y);
scatter3(xi,yi,zi,'*y');
hold on
scatter3(trueX,trueY,trueZ,'*g');
hold on
surf(x,y,z);
hold on
rotate3d on
end

1.2. Programa para calcular el volumen.

function volumen =
volumenMontecarlo(a,b,c,d,fs,n)
f = inline(fs);
lA = [a:0.01:b];lB = [c:0.01:d];lC = f(lA,lB); El método Montecarlo aplicado a una ruleta.
m = max(lC) + max(lC)*0.2;%Se calcula una
altura para el cubo
counter = 0;
for i=1:n

3
 Disciplina: Modelación de Sistemas

4 Conclusiones
- La importancia de este tipo de método es
que abrió la posibilidad de utilizar el azar para
cálculos analíticos. Algo que se puede utilizar
en la práctica con los ordenadores.
- Es un método numérico de integración lento
que se puede mejorar con un cambio
adecuado de variables.

3.2 Justificación y Aplicación

En la presente aplicación se puede observar
que la criptografía está ligada a los números
aleatorios y esta es de vital importancia
cuando nos referimos al área de seguridad.
En si en el corazón de todos los sistemas
criptográficos, está la generación de números
secretos que no puedan ser adivinados por
otras personas. Los números aleatorios se
usan generalmente para generar llaves de
sesiones.
Referencia
[1] https://es.slideshare.net/vicentz/montecarlo-
en-matlab.
[2]http://www.estadisticaparatodos.es/taller/ale
atorios/aleatorios.html
[3]https://www.seguinfo.com.ar/proyectos/
p1_generador-numeros.htm
[4]http://www.cyta.com.ar/ta0504/v5n4a5.
htm
[5]http://www.sc.ehu.es/sbweb/fisica_/numeric
o/montecarlo/montecarlo.html

Los números aleatorios se basan en el

verdadero código fisico de la aleatoriedad,
que no pueden ser predichos. Dichos códigos
pueden incluir los ruidos de un dispositivo de
semiconducción, los bits menos significativos
de una entrada de audio, o los intervalos
entre las interrupciones de los dispositivos.

Cuando no está disponible una verdadera

aleatoriedad física, se deben utilizar pseudo-
numeros aleatorios. Se recurre a este caso
fundamentalmente porque las sucesiones de
números pseudo-aleatorios son más rápidas
de generar que las de números aleatorios.

Nota:

La generación de números aleatorios es

necesaria en diversos sistemas
criptográficos, como por ejemplo en la
telefonía móvil digital GSM se utilizan para la
asignación de una clave aleatoria que sirve
para autenticar al usuario o también para dar
cierta seguridad a la asignación inicial de
números secretos a las tarjetas de crédito.