Política de Cookies

El sitio web de la Universidad de Cádiz utiliza cookies propias y de terceros para realizar análisis de uso y medición del tráfico, así como permitir el correcto funcionamiento en redes sociales, y de este modo poder mejorar su experiencia de navegación.

Si desea configurar las cookies, pulse el botón Personalizar Cookies. También puede acceder a la configuración de cookies en cualquier momento desde el enlace correspondiente en el pie de página.

Para obtener más información sobre las cookies puede consultar la Política de cookies del sitio web de la Universidad de Cádiz.

Personalización de Cookies

El sitio web de la Universidad de Cádiz utiliza cookies propias y de terceros para realizar análisis de uso y medición del tráfico, así como permitir el correcto funcionamiento en redes sociales, y de este modo poder mejorar su experiencia de navegación.

Para obtener más información sobre las cookies puede consultar la Política de cookies del sitio web de la Universidad de Cádiz. También puede acceder a la configuración de cookies en cualquier momento desde el enlace correspondiente en el pie de página.

A continuación podrá configurar las cookies del sitio web según su finalidad:

  • Análisis estadístico

    En este sitio se utilizan cookies de terceros (Google Analytics) que permiten cuantificar el número de usuarios de forma anónima (nunca se obtendrán datos personales que permitan identificar al usuario) y así poder analizar la utilización que hacen los usuarios del nuestro servicio, a fin de mejorar la experiencia de navegación y ofrecer nuestros contenidos de manera óptima.

  • Redes sociales

    En este sitio web se utilizan cookies de terceros que permiten el correcto funcionamiento de algunas redes sociales (principalmente Youtube y Twitter) sin utilizar ningún dato personal del usuario.

UniversidaddeCádiz
Vicerrectorado de Investigación y Transferencia

Airbus

Provisión de soluciones de seguridad robustas en redes ad hoc: un enfoque superviviente

Empresa colaboradora:

Airbus

Directores: 

Dr. Roberto Magán Carrión

Gr. de Investigación:

 Network Engineering & Security Group 

Programa de doctorado de la

UCA: Ingeniería Informática

Hoy en día nadie puede negar que vivimos en un mundo cada vez más conectado, donde personas y cosas están estrechamente relacionadas. Un ejemplo claro de lo anterior son las llamadas smart cities que se soportan por diferentes tecnologías, arquitecturas y dispositivos cuyo principal fin es el de facilitar y mejorar la vida de las personas. En este y otros tipos de escenarios, son las redes ad hoc y sus particulares características las que las hacen especialmente útiles. Sin embargo, no son sino éstas las causantes de sus principales debilidades desde el punto de vista de la seguridad. Destacar, en este sentido, su arquitectura descentralizada y capacidad de auto-gestión que las hace especialmente vulnerables a ataques de suplantación de identidad (sybil), manipulación (data-tampering) o borrado de información (dropping), entre otros. Dependiendo del contexto de aplicación, el impacto de dichos ataques se puede traducir no solo en daños materiales o económicos si no también en pérdidas de vidas humanas.

 

En este contexto, es usual la propuesta de soluciones de seguridad en el marco de la prevención, detección y/o respuesta/tolerancia, este último conjunto en menor medida. Sin embargo, la gran mayoría de las soluciones ofertadas por la comunidad investigadora se centran en tipos específicos de ataques y actúan sobre determinados parámetros o características normalmente relacionados con el sistema en donde se despliegan. Esta especificación por un lado, hace que dichas propuestas sean muy efectivas pero, por otro lado, va en detrimento de la capacidad de resistencia o supervivencia frente a nuevos ataques (zero-day attacks) o amenazas de seguridad.

 

Por todo lo anterior, se hace necesaria la propuesta de nuevas soluciones y mecanismos de seguridad globales, es decir, que consideren un mayor número de requerimientos, características y/o parámetros. Todo esto, en conjunto, permitiría que el entorno o sistema en donde se aplicasen continuase ofreciendo los servicios u objetivos para los que fue diseñado ante la presencia de ataques o amenazas a la seguridad, en suma, que fuesen supervivientes.

 

Sin ningún tipo de duda se nos presenta un reto abierto y difícil de resolver en el contexto de la seguridad en las TIC que, en su máxima extensión, añadiría la capacidad de mitigar y/o eliminar casi cualquier ataque o amenaza con la transcendencia e impacto que esto supondría.

 

Propuesta de Metodología para selección de procesos de fabricación avanzada de componentes aeroespaciales y/o verificación metrológica de los mismos

Empresa colaboradora:

Airbus

Directores: 

Dr. Jorge Salguero Gómez

Dr. Juan Manuel Vázquez Martínez

Gr. de Investigación:

 TEP-027 Ingeniería y Tecnologías de Materiales y Fabricación

Programa de doctorado de la

UCA: Programa de Doctorado en Fabricación, Materiales e Ingeniería Ambiental

La industria aeronáutica y aeroespacial se encuentra entre los sectores productivos de mayor desarrollo tecnológico. En este sentido, la evolución de los procesos de fabricación hacia técnicas eficientes y sostenibles se muestra como un requisito indispensable de la industria actual. El aumento de los requerimientos en materia de seguridad y fiabilidad de los componentes fabricados, unido a un elevado nivel de competitividad en el sector, condiciona la producción aeronáutica a un aumento continuo de la calidad de los productos, manteniendo la viabilidad de los mismos.

 

La fabricación en entornos distribuidos y diferentes países, hace necesaria la capacidad de asegurar una importante precisión en la fase de producción, lo que conlleva mantener la trazabilidad de los procesos y verificaciones a lo largo del procesado y montaje de los componentes de aeronaves. La evaluación de los mismos mediante el desarrollo de procedimientos metrológicos certificados permite garantizar la disminución de las desviaciones inherentes a la fabricación, favoreciendo la intercambiabilidad de los componentes y su ensamblaje en áreas estructurales finales.

 

Esta tesis industrial engloba el diseño y validación de procesos de verificación metrológica avanzada de componentes aeronáuticos y aeroespaciales obtenidos por procesos de fabricación no convencional. De esta forma, el desarrollo de esta línea de investigación se encuentra directamente alineado con una gran parte de las tecnologías habilitadoras de la Industria 4.0, en lo que se refiere a novedosos procesos de fabricación y gestión de la información. Asimismo, se pretende dar respuesta a la necesidad de certificación de nuevas técnicas de producción y su integración en entornos reales y virtuales, manteniendo la trazabilidad de los resultados de investigación.

 

Arquitecturas distribuidas multinivel para ecosistemas IoT

Empresa colaboradora:

Airbus

Directores: 

Dr. Ángel Ruiz Zafra

Gr. de Investigación:

 Sistemas Ingeligentes de Computación (SIC) – TIC 145

Programa de doctorado de la

UCA: Ingeniería Informática

Los ecosistemas IoT (Internet of Things –Internet de las Cosas) son el conjunto de tecnologías y técnicas (LWPAN, plataformas IoT, uso de estándares) que permiten el despliegue de aplicaciones IoT. Existen ecosistemas IoT con diferentes requisitos y características, con el objetivo de soportar aplicaciones IoT en diferentes ámbitos, como por ejemplo en el ámbito de la salud, ciudades y hogares inteligentes o en la industria.

 

La integración de numerosas tecnologías (redes de sensores, diferentes protocolos de comunicación, técnicas criptográficas, diferentes tipos de aplicaciones), junto con el requisito de que dichos ecosistemas deben ser dinámicos, hace que satisfacer características como escalabilidad, extensibilidad o seguridad sean un reto a alcanzar. Actualmente, la mayoría de los ecosistemas IoT actuales se basan en un modelo de arquitectura IoT básico (capa de adquisición, capa de red, capa de aplicación), y, además, están soportados por tecnologías y enfoques ampliamente conocidos (cloud computing, arquitecturas centralizadas –Internetde las Cosas) son el cliente servidor-, técnicas simétricas/asimétricas de seguridad). No obstante, el esperado incremento de dispositivos IoT y el aumento de usuarios y aplicaciones en ecosistemas IoT en un futuro cercano implica que soluciones actualmente vigentes pueden no ser las más aptas para satisfacer los requisitos de los nuevos ecosistemas IoT que están por llegar.

 

En este trabajo se pretenden alcanzar tres objetivos:

•Llevar a cabo un amplio estudio sobre ecosistemas IoT para conocer su estado del arte. Profundizar en potenciales y novedosas tecnologías y técnicas que puedan ser aplicadas, por sus características, en los ecosistemas IoT del futuro: nuevos paradigmas de computación multinivel (cloud-fog-edge), tecnología para dar soporte a entornos distribuidos (blockchain, Handle), tecnologías IoT (LoRa, NB-IoT), etc.

•Plantear el diseño de un nuevo modelo de arquitectura para ecosistemas IoT de acuerdo a los requisitos, técnicas y tecnologías estudiadas. Considerando satisfacer requisitos como escalabilidad, extensibilidad, eficiencia, seguridad, etc.

•Implementar, testear y validar el nuevo modelo en el ámbito industrial de la mano de una importante empresa del sector.

 

Análisis de Conceptos Formales para Big Data y su aplicación en el análisis predictivo de los procesos productivos

Empresa colaboradora:

Airbus

Directores: 

Dr. Clemente Rubio Manzano

Dr. Jesús Medina

Dr. José Ramón Astorga

Gr. de Investigación:

 MCIS (Mathematics for Computational Intelligent Systems)

Programa de doctorado de la

UCA: Matemáticas

El principal objetivo de esta tesis doctoral industrial es realizar una investigación para mejorar los requerimientos de espacio y de tiempo de acceso a la información para el análisis de conceptos formales en contextos donde se requiere manejar un gran volumen de datos, permitiendo la posibilidad de poder considerar distintos entornos computacionales (clásico, paralelo y distribuido). El resultado esperado es contar con un sistema inteligente y robusto que permita trabajar con las tres dimensiones establecidas en los problemas de big data: volumen, velocidad y variabilidad; para llevar a cabo un análisis predictivo de los distintos proceso productivos llevados a cabo en las distintas plantas de fabricación de AirBus, y con el fin último de mejorar sus procesos de fabricación y los resultados finales de los productos.

 

Aplicaciones de Machine Learning y ciencia de datos al sector industrial

Empresa colaboradora:

Airbus

Directores: 

Dr. David Gómez

Dr. Ullate Oteiza

Gr. de Investigación:

 UCA: Datalab

Programa de doctorado de la

UCA: Ingeniería Informática / Matemáticas

The PhD thesis will explore the application of data science and Machine Learning algorithms to solve real world industrial problems in collaboration with Airbus D&S. During his postgraduate training, the candidate will acquire and develop knowledge of:

  • simple methods for supervised learning: Random Forest, Factorization Machines, SVMs, etc.
  • deep learning (LSTMs, Conv-Nets)
  • forecasting in time series (DLMs, Kalman filters).
  • Bayesian methods
  • techniques for data cleaning, missing data imputation and visualization.

 

The candidate will tackle applied ML projects on computer vision (object detection, image classification), time series forecasting or Natural Language Processing, with special emphasis on their application to industrial problems.

 

By the end of the thesis, the candidate will have acquired both a valuable technological formation and professional experience in one of the most demanded profiles in the market.

 

Diseño de sistemas inteligentes basados en información específica del problema

Empresa colaboradora:

Airbus

Directores: 

Dr. Daniel Urda Muñoz

Gr. de Investigación:

 Investigador ASECTI en Big Data

Programa de doctorado de la

UCA: Programa de Doctorado en Ingenieria Informatica / Programa de Doctorado en Ingeniería Energética y Sostenible

En los últimos años, la inteligencia artificial y los modelos de aprendizaje automático en general se han convertido en una potente herramienta para desarrollar sistemas inteligentes capaces de aprender patrones existentes en los datos y de obtener una alta capacidad de generalización en nuevas muestras a futuro. Entre otros factores, los modelos de aprendizaje automático se comportan mejor en términos de predicción a medida que el número de muestras disponibles para ajustar el modelo es mayor, factor del cual se ven favorecidos estos modelos dado el volumen, variedad y velocidad con que se generan datos hoy día en la era del Big Data.

 

A pesar de ello, continúa existiendo estudios en diferentes áreas en los que el volumen de datos del que se dispone es más bien moderado o bien resulta complicado y/o costoso poder disponer de más cantidad de datos. En este sentido, resulta necesario imponer restricciones en los modelos para evitar, por un lado, caer en problemas de sobre-entrenamiento y, a su vez, lograr una buena capacidad de generalización. Hasta la fecha, ya existen trabajos previos que proponen sendos modelos lineales (Group Lasso y Sparse Group Lasso) utilizando información específica del problema para agrupar las variables de entrada en diferentes grupos [1-2]. Por otro lado, en [3] se utiliza información del problema para definir la función de fitness de un algoritmo genético de cara a guiar la búsqueda de las variables más relevantes que maximizan la capacidad predictiva de los modelos analizados. Más recientemente, en [4] se integró información del problema publicada en cientos de estudios previos relacionados para controlar el grado de regularización aplicado a las variables de entrada de un modelo lineal logrando mejorar la capacidad de generalización del modelo.

 

A pesar de los avances introducidos en estos trabajos, existe la limitación de estar utilizando únicamente modelos lineales que son incapaces de aprender relaciones no lineales entre las variables de entrada y el evento que se quiere predecir. Por ello, la línea principal de investigación de esta tesis doctoral busca avanzar en el conocimiento para lograr incorporar información específica del problema en modelos de aprendizaje más sofisticados así como aplicar técnicas noveles de generación de muestras sintéticas que permitan minimizar los riesgos de sobre-entrenamiento que existen en áreas de investigación con un volumen de datos pequeño/moderado.

 

[1] Meier, L., van de Geer, S., Bühlmann, P.: The group LASSO for logistic regression. Journal of the Royal Statistical Society Series B (Statistical Methodology) 70(1):53-71

[2] Simon, N., Friedman, J., Hastie, T., Tibshirani, R.: A sparse-group lasso. Journal of Computational and Graphical Statistics 22(2), 231–245 (2013)

[3] Luque-Baena, R.M., Urda, D., Claros, M.G., Franco, L., Jerez, J.M.: Robust gene signatures from microarray data using genetic algorithms enriched with biological pathway keywords. Journal of Biomedical Informatics 49 (2014), doi: 10.1016/j.jbi.2014.01.006

[4] Urda, D. et al: L1-regularization model enriched with biological knowledge. International Conference on Bioinformatics and Biomedical Engineering (2017), doi:10.1007/978-3-319-56148-6_52