Diego Alejandro Cáceres Veintimilla
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Diego Alejandro Cáceres Veintimilla has a total of 12 co-authors. Here are the top co-authors by number of shared publications:
Allan Mateo Cáceres López
Escuela Superior Politécnica de Chimborazo (ESPOCH), Ecuador
1 shared publication- Diego Cajamarca Carrazco
Escuela Superior Politécnica de Chimborazo. 060155, Riobamba, Ecuador
1 shared publication - Edgar Fabian Sánchez Carrión
Escuela Superior Politécnica de Chimborazo (ESPOCH)
1 shared publication - Edgar Gualberto Salazar-Alvarez
Escuela Superior Politécnica del Chimborazo
1 shared publication - Edwin Fernando Mejía Peñafiel
Escuela Superior Politecnica de Chimborazo
1 shared publication - Goering Octavio Zambrano Cárdenas
Escuela Superior Politecnica de Chimborazo
1 shared publication
Latest Publications
- Open Access
- 1 September 2026
- Published by Polo de Capacitacion, Investigacion y Publicacion in Polo del Conocimiento
- Vol. 11 (9) , 583-601
Impacto de hipervisores tipo 1 y 2 en el rendimiento de Windows y Linux
La virtualización constituye un recurso estratégico para ampliar la capacidad de los laboratorios académicos sin reproducir una infraestructura física independiente para cada práctica. Sin embargo, la capa de abstracción introducida por el hipervisor puede modificar el consumo de procesador y memoria, el desempeño del almacenamiento y el tiempo de disponibilidad de los sistemas invitados. El objetivo fue comparar el rendimiento de Windows 11 Pro y Ubuntu Linux 24.04 LTS ejecutados en Microsoft Hyper-V, VMware Workstation Pro y Oracle VirtualBox bajo una configuración homogénea de recursos. Se aplicó un diseño experimental cuantitativo con 60 ejecuciones independientes: 10 repeticiones para cada combinación de dos sistemas operativos y tres hipervisores. Cada máquina virtual dispuso de 2 vCPU, 4 GB de RAM y 64 GB de almacenamiento virtual sobre un host con Intel Core i7-12700, 16 GB de RAM y SSD NVMe. Los resultados muestran que Hyper-V presentó los menores tiempos de arranque y consumos de CPU y RAM, además del mayor rendimiento secuencial de almacenamiento. VMware Workstation Pro ocupó una posición intermedia, mientras que VirtualBox registró la mayor sobrecarga. En promedio, frente a Hyper-V, Workstation incrementó 29,4 % el tiempo de arranque y redujo 14,0 % el rendimiento de disco; VirtualBox incrementó 75,1 % el tiempo de arranque y redujo 32,4 % el rendimiento de disco. Se concluye que la selección del hipervisor debe sustentarse en mediciones reproducibles y en el perfil de carga, especialmente en laboratorios con memoria y capacidad de cómputo limitadas.
- 1 September 2026
- Published by Polo de Capacitacion, Investigacion y Publicacion in Polo del Conocimiento
- Vol. 11 (9) , 583-601
Open AccessImpacto de hipervisores tipo 1 y 2 en el rendimiento de Windows y Linux
La virtualización constituye un recurso estratégico para ampliar la capacidad de los laboratorios académicos sin reproducir una infraestructura física independiente para cada práctica. Sin embargo, la capa de abstracción introducida por el hipervisor puede modificar el consumo de procesador y memoria, el desempeño del almacenamiento y el tiempo de disponibilidad de los sistemas invitados. El objetivo fue comparar el rendimiento de Windows 11 Pro y Ubuntu Linux 24.04 LTS ejecutados en Microsoft Hyper-V, VMware Workstation Pro y Oracle VirtualBox bajo una configuración homogénea de recursos. Se aplicó un diseño experimental cuantitativo con 60 ejecuciones independientes: 10 repeticiones para cada combinación de dos sistemas operativos y tres hipervisores. Cada máquina virtual dispuso de 2 vCPU, 4 GB de RAM y 64 GB de almacenamiento virtual sobre un host con Intel Core i7-12700, 16 GB de RAM y SSD NVMe. Los resultados muestran que Hyper-V presentó los menores tiempos de arranque y consumos de CPU y RAM, además del mayor rendimiento secuencial de almacenamiento. VMware Workstation Pro ocupó una posición intermedia, mientras que VirtualBox registró la mayor sobrecarga. En promedio, frente a Hyper-V, Workstation incrementó 29,4 % el tiempo de arranque y redujo 14,0 % el rendimiento de disco; VirtualBox incrementó 75,1 % el tiempo de arranque y redujo 32,4 % el rendimiento de disco. Se concluye que la selección del hipervisor debe sustentarse en mediciones reproducibles y en el perfil de carga, especialmente en laboratorios con memoria y capacidad de cómputo limitadas.
- Open Access
- 9 July 2026
- Published by InvestiGO in Revista Científica Multidisciplinaria InvestiGo
- Vol. 7 (20) , 314-332
ANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017
El incremento de infraestructuras tecnológicas, de ciberamenazas y del volumen de tráfico de red, ha convertido a la detección de intrusiones como un componente crítico en ciberseguridad. Por lo anterior mencionado, el presente estudio realizó una evaluación comparativa del desempeño de los algoritmos Random Forest, Support Vector Machine y Naive Bayes, con respecto a la clasificación de tráfico. Como marco experimental, se empleó el dataset CIC-IDS2017, bajo un enfoque cuantitativo de tipo experimental, analizando tráfico BENIGN y ataques DDoS y PortScan, se trabajó con más de un millón de registros, los cuales siguieron los procesos de limpieza transformación numérica e imputación de datos faltantes. Posteriormente se seleccionaron 300 000 registros para entrenar los modelos y poder evaluarlos con las métricas de exactitud, precisión, recall y F1-score. Además, se evaluó la interacción e importancia de las variables, matrices de confusión y la correlación entre características del tráfico de red. Los resultados obtenidos evidenciaron que Random Forest presentó el mejor desempeño, alcanzando una exactitud cercana al 99.98 % y mostrando una alta capacidad para diferenciar tráfico. Por otro lado, Support Vector Machine obtuvo una exactitud aproximada del 80.74 %, con limitaciones para identificar ataques PortScan. En contraste, Naive Bayes registró el rendimiento más bajo con una exactitud de 44.62 %, evidenciando dificultades para trabajar con datasets complejos y con variables correlacionadas. El análisis de importancia de características permitió determinar que variables vinculadas al volumen de tráfico, al tamaño de los paquetes y al comportamiento estadístico de las transmisiones son determinantes para distinguir el tipo de tráfico. Estos hallazgos, evidencia que Random Forest es la opción más equilibrada: combina alta capacidad de generalización, resistencia al sobreajuste y eficiencia computacional, lo que lo hace adecuado para desplegar sistemas IDS basados en aprendizaje automático en redes reales, entornos donde la correlación entre variables es alta.
- 9 July 2026
- Published by InvestiGO in Revista Científica Multidisciplinaria InvestiGo
- Vol. 7 (20) , 314-332
Open AccessANÁLISIS COMPARATIVO DEL RENDIMIENTO DE MODELOS DE APRENDIZAJE AUTOMÁTICO PARA LA DETECCIÓN DE INTRUSIONES USANDO EL DATASET CIC-IDS2017
El incremento de infraestructuras tecnológicas, de ciberamenazas y del volumen de tráfico de red, ha convertido a la detección de intrusiones como un componente crítico en ciberseguridad. Por lo anterior mencionado, el presente estudio realizó una evaluación comparativa del desempeño de los algoritmos Random Forest, Support Vector Machine y Naive Bayes, con respecto a la clasificación de tráfico. Como marco experimental, se empleó el dataset CIC-IDS2017, bajo un enfoque cuantitativo de tipo experimental, analizando tráfico BENIGN y ataques DDoS y PortScan, se trabajó con más de un millón de registros, los cuales siguieron los procesos de limpieza transformación numérica e imputación de datos faltantes. Posteriormente se seleccionaron 300 000 registros para entrenar los modelos y poder evaluarlos con las métricas de exactitud, precisión, recall y F1-score. Además, se evaluó la interacción e importancia de las variables, matrices de confusión y la correlación entre características del tráfico de red. Los resultados obtenidos evidenciaron que Random Forest presentó el mejor desempeño, alcanzando una exactitud cercana al 99.98 % y mostrando una alta capacidad para diferenciar tráfico. Por otro lado, Support Vector Machine obtuvo una exactitud aproximada del 80.74 %, con limitaciones para identificar ataques PortScan. En contraste, Naive Bayes registró el rendimiento más bajo con una exactitud de 44.62 %, evidenciando dificultades para trabajar con datasets complejos y con variables correlacionadas. El análisis de importancia de características permitió determinar que variables vinculadas al volumen de tráfico, al tamaño de los paquetes y al comportamiento estadístico de las transmisiones son determinantes para distinguir el tipo de tráfico. Estos hallazgos, evidencia que Random Forest es la opción más equilibrada: combina alta capacidad de generalización, resistencia al sobreajuste y eficiencia computacional, lo que lo hace adecuado para desplegar sistemas IDS basados en aprendizaje automático en redes reales, entornos donde la correlación entre variables es alta.
- 6 January 2025
- Published by InvestiGO in Revista Científica Multidisciplinaria InvestiGo
- Vol. 6 (14) , 354-366
REVISIÓN SISTEMÁTICA DE LA GESTIÓN INTEGRAL DE RESIDUOS ELECTRÓNICOS: DESAFÍOS Y OPORTUNIDADES PARA UNA CIUDAD AMAZÓNICA SOSTENIBLE
La gestión integral de los residuos electrónicos en el mundo, revela un incremento preocupante de estos desechos, lo que constituye un reto ambiental, social y económico considerable. El aumento obedece a la creciente demanda de dispositivos como teléfonos inteligentes, computadoras vehículos eléctricos entre otros, alcanzando en 2019 una generación global de 53,6 millones de toneladas, con proyecciones de llegar a 74 millones para 2030. El objeto de la revisión bibliográfica de la gestión integral de residuos electrónicos compromete oportunidades y desafíos para alcanzar objetivos comunes de neutralidad en una ciudad amazónica sostenible. La investigación dispone de un carácter descriptivo para lo cual analiza documentos científicos sobre la gestión de estos desechos entre 2018 y 2024. Se identifican oportunidades para la minería urbana, que permite recuperar metales valiosos de los residuos electrónicos, y se subraya la importancia de establecer regulaciones y políticas efectivas para mejorar el reciclaje y la disposición de estos residuos, mismos que contienen materiales peligrosos y valiosos, y una gestión integral de sus residuos es fundamental para garantizar la sostenibilidad ambiental. Es esencial la colaboración de gobernanza entre los actores involucrados para crear conciencia y desarrollar infraestructuras de recolección y reciclaje. También se presentan diversas categorías de residuos electrónicos y se exploran técnicas de reciclaje y conversión energética como posibles soluciones.
- 6 January 2025
- Published by InvestiGO in Revista Científica Multidisciplinaria InvestiGo
- Vol. 6 (14) , 354-366
REVISIÓN SISTEMÁTICA DE LA GESTIÓN INTEGRAL DE RESIDUOS ELECTRÓNICOS: DESAFÍOS Y OPORTUNIDADES PARA UNA CIUDAD AMAZÓNICA SOSTENIBLE
La gestión integral de los residuos electrónicos en el mundo, revela un incremento preocupante de estos desechos, lo que constituye un reto ambiental, social y económico considerable. El aumento obedece a la creciente demanda de dispositivos como teléfonos inteligentes, computadoras vehículos eléctricos entre otros, alcanzando en 2019 una generación global de 53,6 millones de toneladas, con proyecciones de llegar a 74 millones para 2030. El objeto de la revisión bibliográfica de la gestión integral de residuos electrónicos compromete oportunidades y desafíos para alcanzar objetivos comunes de neutralidad en una ciudad amazónica sostenible. La investigación dispone de un carácter descriptivo para lo cual analiza documentos científicos sobre la gestión de estos desechos entre 2018 y 2024. Se identifican oportunidades para la minería urbana, que permite recuperar metales valiosos de los residuos electrónicos, y se subraya la importancia de establecer regulaciones y políticas efectivas para mejorar el reciclaje y la disposición de estos residuos, mismos que contienen materiales peligrosos y valiosos, y una gestión integral de sus residuos es fundamental para garantizar la sostenibilidad ambiental. Es esencial la colaboración de gobernanza entre los actores involucrados para crear conciencia y desarrollar infraestructuras de recolección y reciclaje. También se presentan diversas categorías de residuos electrónicos y se exploran técnicas de reciclaje y conversión energética como posibles soluciones.
- Open Access
- 9 August 2024
- Published by Editorial Ciencia Digital in Concienciadigital
- Vol. 7 (3.1) , 6-17
Determinación de características físicas de elementos mecánicos mediante machine learning
Introducción. Uno de los problemas cotidianos de las personas es verificar el estado de diversas autopartes que se distribuyen en grandes cantidades, debido a que de ello dependen varios almacenes de repuestos que distribuyen piezas mecánicas para satisfacer a los clientes y su entorno en general. Para cubrir tales necesidades se han desarrollado redes neuronales artificiales que clasificarán estos elementos según sus características físicas. La adquisición de piezas mecánicas en la industria del automóvil se repite en innumerables ocasiones, por lo que pueden comprar piezas mecánicas defectuosas. Objetivo. Clasificación de elementos mecánicos mediante redes neuronales artificiales para su uso en control de calidad en sus características físicas. Metodología. Se aplica una metodología de recopilación de datos que ayudarán a entrenar a la red neuronal artificial. La red neuronal artificial podrá determinar el estado de calidad del elemento mecánico basándose en los datos de imágenes recopiladas y actuará como entrenamiento de la red neuronal en el siguiente proceso. Resultados. En la prueba final se utilizaron 200 uniones metálicas de estas clasificadas y se observó que 10 tenían defectos físicos. Conclusión. Las redes neuronales convolucionales se pueden utilizar para clasificar piezas mecánicas, extraer sus características de imágenes y luego utilizarlas como base de datos de redes neuronales. Área de estudio general: Ingeniería. Área de estudio específica: Ingeniería automotriz. Tipo de estudio: original.
- 9 August 2024
- Published by Editorial Ciencia Digital in Concienciadigital
- Vol. 7 (3.1) , 6-17
Open AccessDeterminación de características físicas de elementos mecánicos mediante machine learning
Introducción. Uno de los problemas cotidianos de las personas es verificar el estado de diversas autopartes que se distribuyen en grandes cantidades, debido a que de ello dependen varios almacenes de repuestos que distribuyen piezas mecánicas para satisfacer a los clientes y su entorno en general. Para cubrir tales necesidades se han desarrollado redes neuronales artificiales que clasificarán estos elementos según sus características físicas. La adquisición de piezas mecánicas en la industria del automóvil se repite en innumerables ocasiones, por lo que pueden comprar piezas mecánicas defectuosas. Objetivo. Clasificación de elementos mecánicos mediante redes neuronales artificiales para su uso en control de calidad en sus características físicas. Metodología. Se aplica una metodología de recopilación de datos que ayudarán a entrenar a la red neuronal artificial. La red neuronal artificial podrá determinar el estado de calidad del elemento mecánico basándose en los datos de imágenes recopiladas y actuará como entrenamiento de la red neuronal en el siguiente proceso. Resultados. En la prueba final se utilizaron 200 uniones metálicas de estas clasificadas y se observó que 10 tenían defectos físicos. Conclusión. Las redes neuronales convolucionales se pueden utilizar para clasificar piezas mecánicas, extraer sus características de imágenes y luego utilizarlas como base de datos de redes neuronales. Área de estudio general: Ingeniería. Área de estudio específica: Ingeniería automotriz. Tipo de estudio: original.