pág. 6333
APLICACIONES DEL MACHINE LEARNING
PARA LA DETECCIÓN DE ANOMALÍAS EN
ENTORNOS CLOUD.
APPLICATIONS OF MACHINE LEARNING FOR ANOMALY
DETECTION IN CLOUD ENVIRONMENTS
Maria Teodolinda Ortega Ovalle
Universidad de Panamá
pág. 6334
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23655
Aplicaciones del machine learning para la detección de anomalías en
entornos cloud.
Maria Teodolinda Ortega Ovalle1
maria.ortegao@up.ac.pa
https://orcid.org/0009-0000-3629-9751
Universidad de Panamá
Panamá
RESUMEN
La detección de anomalías en entornos cloud constituye un desafío fundamental para garantizar la
seguridad, disponibilidad y confiabilidad de los servicios digitales. El objetivo de este trabajo es analizar
las aplicaciones del machine learning en la identificación de comportamientos inusuales dentro de
infraestructuras de computación en la nube. Se implementó una metodología de revisión documental
con enfoque cualitativo, explorando estudios recientes sobre algoritmos supervisados, no supervisados
y de deep learning aplicados a la detección de anomalías. Los principales hallazgos evidencian que los
modelos basados en clustering y redes neuronales profundas ofrecen mayor precisión en la identificación
de patrones anómalos, mientras que los enfoques híbridos permiten reducir falsos positivos. Se concluye
que el machine learning representa una herramienta clave para fortalecer la seguridad en entornos cloud,
aunque persisten retos relacionados con la escalabilidad, la interpretabilidad de los modelos y la
integración con sistemas de monitoreo en tiempo real.
Palabras clave: Machine learning, detección de anomalías, cloud computing, seguridad informática,
inteligencia artificial.
1 Autor principal
Correspondencia: maria.ortegao@up.ac.pa
DOI: https://doi.org/10.37811/cl_rcm.v10i2.23655
Aplicaciones del machine learning para la detección de anomalías en
entornos cloud.
Maria Teodolinda Ortega Ovalle1
maria.ortegao@up.ac.pa
https://orcid.org/0009-0000-3629-9751
Universidad de Panamá
Panamá
RESUMEN
La detección de anomalías en entornos cloud constituye un desafío fundamental para garantizar la
seguridad, disponibilidad y confiabilidad de los servicios digitales. El objetivo de este trabajo es analizar
las aplicaciones del machine learning en la identificación de comportamientos inusuales dentro de
infraestructuras de computación en la nube. Se implementó una metodología de revisión documental
con enfoque cualitativo, explorando estudios recientes sobre algoritmos supervisados, no supervisados
y de deep learning aplicados a la detección de anomalías. Los principales hallazgos evidencian que los
modelos basados en clustering y redes neuronales profundas ofrecen mayor precisión en la identificación
de patrones anómalos, mientras que los enfoques híbridos permiten reducir falsos positivos. Se concluye
que el machine learning representa una herramienta clave para fortalecer la seguridad en entornos cloud,
aunque persisten retos relacionados con la escalabilidad, la interpretabilidad de los modelos y la
integración con sistemas de monitoreo en tiempo real.
Palabras clave: Machine learning, detección de anomalías, cloud computing, seguridad informática,
inteligencia artificial.
1 Autor principal
Correspondencia: maria.ortegao@up.ac.pa
pág. 6335
Applications of Machine Learning for Anomaly Detection in Cloud
Environments
ABSTRACT
Anomaly detection in cloud environments is a fundamental challenge to ensure the security, availability,
and reliability of digital services. This work aims to analyze the applications of machine learning in
identifying unusual behaviors within cloud computing infrastructures. A qualitative documentary review
methodology was implemented, exploring recent studies on supervised, unsupervised, and deep learning
algorithms applied to anomaly detection. The main findings show that clustering-based models and deep
neural networks provide higher accuracy in identifying anomalous patterns, while hybrid approaches
help reduce false positives. It is concluded that machine learning is a key tool to strengthen security in
cloud environments, although challenges remain regarding scalability, model interpretability, and
integration with real-time monitoring systems.
Keywords: Machine learning, anomaly detection, cloud computing, cybersecurity, artificial intelligence.
Artículo recibido 02 abril 2026
Aceptado para publicación: 30 abril 2026
Applications of Machine Learning for Anomaly Detection in Cloud
Environments
ABSTRACT
Anomaly detection in cloud environments is a fundamental challenge to ensure the security, availability,
and reliability of digital services. This work aims to analyze the applications of machine learning in
identifying unusual behaviors within cloud computing infrastructures. A qualitative documentary review
methodology was implemented, exploring recent studies on supervised, unsupervised, and deep learning
algorithms applied to anomaly detection. The main findings show that clustering-based models and deep
neural networks provide higher accuracy in identifying anomalous patterns, while hybrid approaches
help reduce false positives. It is concluded that machine learning is a key tool to strengthen security in
cloud environments, although challenges remain regarding scalability, model interpretability, and
integration with real-time monitoring systems.
Keywords: Machine learning, anomaly detection, cloud computing, cybersecurity, artificial intelligence.
Artículo recibido 02 abril 2026
Aceptado para publicación: 30 abril 2026
pág. 6336
INTRODUCCIÓN
La computación en la nube ha revolucionado la manera en que las organizaciones gestionan sus recursos
tecnológicos, ofreciendo escalabilidad, flexibilidad y reducción de costos. Sin embargo, esta
transformación también ha incrementado la complejidad de los sistemas y, con ello, los riesgos asociados
a la seguridad y confiabilidad de los servicios. El problema de investigación que se aborda en este
artículo es la necesidad de contar con mecanismos eficaces para la detección temprana de anomalías en
entornos cloud, considerando que los métodos tradicionales basados en reglas estáticas resultan
insuficientes frente a la dinámica y volumen de datos actuales.
La relevancia de este estudio radica en que la detección de anomalías es esencial para prevenir ataques
cibernéticos, fallos de configuración y pérdidas de información, aspectos que impactan directamente en
la continuidad del negocio y la confianza de los usuarios. Teóricamente, el trabajo se sustenta en los
postulados del aprendizaje automático, particularmente en algoritmos de clasificación, clustering y redes
neuronales, que permiten identificar patrones inusuales en grandes volúmenes de datos.
Diversos estudios previos han demostrado la eficacia del machine learning en la detección de intrusiones
y anomalías en sistemas distribuidos (Chandola, Banerjee, & Kumar, 2009; Ahmed, Mahmood, & Hu,
2016). Sin embargo, aún existen vacíos relacionados con la escalabilidad de los modelos y su capacidad
de adaptación a entornos cloud heterogéneos. Este artículo aporta una revisión crítica de las aplicaciones
más recientes, destacando las ventajas y limitaciones de cada enfoque.
El contexto de la investigación se enmarca en la creciente adopción de servicios cloud por parte de
empresas de todos los sectores, lo que ha generado un aumento en la superficie de ataque y en la
necesidad de mecanismos de seguridad avanzados. El objetivo general del trabajo es analizar las
aplicaciones del machine learning para la detección de anomalías en entornos cloud, identificando los
principales enfoques metodológicos y sus resultados.
METODOLOGÍA
El presente estudio se desarrolló bajo un enfoque cualitativo de tipo exploratorio-descriptivo, sustentado
en una revisión documental sistemática de literatura científica publicada entre 2009 y 2024. La elección
de este enfoque responde a la necesidad de comprender las aplicaciones del machine learning en la
detección de anomalías en entornos cloud desde una perspectiva amplia, considerando tanto avances
INTRODUCCIÓN
La computación en la nube ha revolucionado la manera en que las organizaciones gestionan sus recursos
tecnológicos, ofreciendo escalabilidad, flexibilidad y reducción de costos. Sin embargo, esta
transformación también ha incrementado la complejidad de los sistemas y, con ello, los riesgos asociados
a la seguridad y confiabilidad de los servicios. El problema de investigación que se aborda en este
artículo es la necesidad de contar con mecanismos eficaces para la detección temprana de anomalías en
entornos cloud, considerando que los métodos tradicionales basados en reglas estáticas resultan
insuficientes frente a la dinámica y volumen de datos actuales.
La relevancia de este estudio radica en que la detección de anomalías es esencial para prevenir ataques
cibernéticos, fallos de configuración y pérdidas de información, aspectos que impactan directamente en
la continuidad del negocio y la confianza de los usuarios. Teóricamente, el trabajo se sustenta en los
postulados del aprendizaje automático, particularmente en algoritmos de clasificación, clustering y redes
neuronales, que permiten identificar patrones inusuales en grandes volúmenes de datos.
Diversos estudios previos han demostrado la eficacia del machine learning en la detección de intrusiones
y anomalías en sistemas distribuidos (Chandola, Banerjee, & Kumar, 2009; Ahmed, Mahmood, & Hu,
2016). Sin embargo, aún existen vacíos relacionados con la escalabilidad de los modelos y su capacidad
de adaptación a entornos cloud heterogéneos. Este artículo aporta una revisión crítica de las aplicaciones
más recientes, destacando las ventajas y limitaciones de cada enfoque.
El contexto de la investigación se enmarca en la creciente adopción de servicios cloud por parte de
empresas de todos los sectores, lo que ha generado un aumento en la superficie de ataque y en la
necesidad de mecanismos de seguridad avanzados. El objetivo general del trabajo es analizar las
aplicaciones del machine learning para la detección de anomalías en entornos cloud, identificando los
principales enfoques metodológicos y sus resultados.
METODOLOGÍA
El presente estudio se desarrolló bajo un enfoque cualitativo de tipo exploratorio-descriptivo, sustentado
en una revisión documental sistemática de literatura científica publicada entre 2009 y 2024. La elección
de este enfoque responde a la necesidad de comprender las aplicaciones del machine learning en la
detección de anomalías en entornos cloud desde una perspectiva amplia, considerando tanto avances
pág. 6337
teóricos como implementaciones prácticas. Según Kitchenham y Charters (2007), la revisión sistemática
permite identificar, evaluar e interpretar toda la investigación relevante disponible sobre un tema
específico, garantizando rigor metodológico y replicabilidad.
El diseño de investigación fue no experimental y transversal, dado que se trabajó con fuentes secundarias
sin manipulación de variables y se analizaron estudios disponibles en un periodo determinado. La
población de estudio estuvo conformada por artículos científicos indexados en bases de datos como
IEEE Xplore, ACM Digital Library, ScienceDirect y SpringerLink. Se aplicó un muestreo intencional,
seleccionando cuarenta documentos relevantes según criterios de inclusión y exclusión. Los criterios de
inclusión consideraron publicaciones en inglés o español que abordaran detección de anomalías en
entornos cloud mediante técnicas de machine learning, siempre que fueran artículos con acceso
completo y publicados en revistas arbitradas. Por otro lado, se excluyeron documentos sin revisión por
pares y estudios centrados exclusivamente en detección de anomalías en redes tradicionales sin relación
con cloud computing.
Las técnicas de recolección de datos consistieron en la revisión documental y el análisis comparativo de
enfoques metodológicos descritos en los artículos seleccionados. Se empleó una matriz de análisis para
organizar la información, clasificando los estudios según tipo de algoritmo (supervisado, no
supervisado, híbrido, deep learning) y resultados obtenidos. Este procedimiento se fundamenta en
trabajos previos como el de Chandola, Banerjee y Kumar (2009), quienes realizaron un análisis
exhaustivo de técnicas de detección de anomalías, y el de Ahmed, Mahmood y Hu (2016), que revisaron
métodos aplicados específicamente en el ámbito de la seguridad de redes.
En cuanto a las consideraciones éticas, se respetaron los principios de integridad académica, citando
adecuadamente todas las fuentes consultadas conforme a las normas APA 7. No se trabajó con datos
sensibles ni con participantes humanos, por lo que no fue necesario un consentimiento informado.
Finalmente, se reconocen como limitaciones la dependencia de fuentes secundarias y la posible falta de
uniformidad en los criterios de evaluación de resultados entre los estudios revisados. Sin embargo, esta
metodología permite ofrecer una visión crítica y actualizada sobre el estado del arte en la aplicación del
machine learning para la detección de anomalías en entornos cloud.
teóricos como implementaciones prácticas. Según Kitchenham y Charters (2007), la revisión sistemática
permite identificar, evaluar e interpretar toda la investigación relevante disponible sobre un tema
específico, garantizando rigor metodológico y replicabilidad.
El diseño de investigación fue no experimental y transversal, dado que se trabajó con fuentes secundarias
sin manipulación de variables y se analizaron estudios disponibles en un periodo determinado. La
población de estudio estuvo conformada por artículos científicos indexados en bases de datos como
IEEE Xplore, ACM Digital Library, ScienceDirect y SpringerLink. Se aplicó un muestreo intencional,
seleccionando cuarenta documentos relevantes según criterios de inclusión y exclusión. Los criterios de
inclusión consideraron publicaciones en inglés o español que abordaran detección de anomalías en
entornos cloud mediante técnicas de machine learning, siempre que fueran artículos con acceso
completo y publicados en revistas arbitradas. Por otro lado, se excluyeron documentos sin revisión por
pares y estudios centrados exclusivamente en detección de anomalías en redes tradicionales sin relación
con cloud computing.
Las técnicas de recolección de datos consistieron en la revisión documental y el análisis comparativo de
enfoques metodológicos descritos en los artículos seleccionados. Se empleó una matriz de análisis para
organizar la información, clasificando los estudios según tipo de algoritmo (supervisado, no
supervisado, híbrido, deep learning) y resultados obtenidos. Este procedimiento se fundamenta en
trabajos previos como el de Chandola, Banerjee y Kumar (2009), quienes realizaron un análisis
exhaustivo de técnicas de detección de anomalías, y el de Ahmed, Mahmood y Hu (2016), que revisaron
métodos aplicados específicamente en el ámbito de la seguridad de redes.
En cuanto a las consideraciones éticas, se respetaron los principios de integridad académica, citando
adecuadamente todas las fuentes consultadas conforme a las normas APA 7. No se trabajó con datos
sensibles ni con participantes humanos, por lo que no fue necesario un consentimiento informado.
Finalmente, se reconocen como limitaciones la dependencia de fuentes secundarias y la posible falta de
uniformidad en los criterios de evaluación de resultados entre los estudios revisados. Sin embargo, esta
metodología permite ofrecer una visión crítica y actualizada sobre el estado del arte en la aplicación del
machine learning para la detección de anomalías en entornos cloud.
pág. 6338
Tabla 1 Criterios de inclusión y exclusión de estudios revisados
CRITERIO DESCRIPCIÓN
INCLUSIÓN Artículos en inglés o español, publicados en revistas arbitradas, con acceso
completo, relacionados con detección de anomalías en cloud mediante ML
EXCLUSIÓN Documentos sin revisión por pares, estudios centrados en redes tradicionales sin
relación con cloud
MARCO TEÓRICO
La detección de anomalías es un campo de investigación que ha evolucionado significativamente en las
últimas dos décadas, especialmente con la incorporación de técnicas de machine learning. Chandola,
Banerjee y Kumar (2009) definen la anomalía como cualquier patrón en los datos que no se ajusta al
comportamiento esperado, y señalan que su identificación es crucial en áreas como la seguridad
informática, el monitoreo de sistemas y la detección de fraudes. En el contexto de la computación en la
nube, la detección de anomalías adquiere mayor relevancia debido a la naturaleza distribuida y dinámica
de los entornos cloud, donde los datos se generan en tiempo real y en volúmenes masivos.
El cloud computing se caracteriza por ofrecer servicios bajo demanda, escalabilidad y flexibilidad, pero
también introduce riesgos relacionados con la seguridad y la confiabilidad de los sistemas. Según Mell
y Grance (2011), la nube se fundamenta en modelos de servicio como IaaS, PaaS y SaaS, cada uno con
vulnerabilidades específicas que requieren mecanismos de monitoreo avanzados. En este sentido, el
machine learning se presenta como una alternativa a los métodos tradicionales basados en reglas, ya
que permite identificar patrones ocultos y adaptarse a cambios en los datos.
Los algoritmos supervisados, como las máquinas de soporte vectorial y los árboles de decisión, han
demostrado eficacia en la clasificación de comportamientos normales y anómalos, siempre que se
disponga de conjuntos de datos etiquetados (Zhang et al., 2019). Sin embargo, en entornos cloud, la
disponibilidad de datos etiquetados es limitada, lo que ha impulsado el uso de enfoques no supervisados
como el clustering y la detección basada en densidad. Ahmed, Mahmood y Hu (2016) destacan que los
métodos no supervisados son especialmente útiles para identificar anomalías desconocidas, aunque
presentan el reto de generar un mayor número de falsos positivos.
Tabla 1 Criterios de inclusión y exclusión de estudios revisados
CRITERIO DESCRIPCIÓN
INCLUSIÓN Artículos en inglés o español, publicados en revistas arbitradas, con acceso
completo, relacionados con detección de anomalías en cloud mediante ML
EXCLUSIÓN Documentos sin revisión por pares, estudios centrados en redes tradicionales sin
relación con cloud
MARCO TEÓRICO
La detección de anomalías es un campo de investigación que ha evolucionado significativamente en las
últimas dos décadas, especialmente con la incorporación de técnicas de machine learning. Chandola,
Banerjee y Kumar (2009) definen la anomalía como cualquier patrón en los datos que no se ajusta al
comportamiento esperado, y señalan que su identificación es crucial en áreas como la seguridad
informática, el monitoreo de sistemas y la detección de fraudes. En el contexto de la computación en la
nube, la detección de anomalías adquiere mayor relevancia debido a la naturaleza distribuida y dinámica
de los entornos cloud, donde los datos se generan en tiempo real y en volúmenes masivos.
El cloud computing se caracteriza por ofrecer servicios bajo demanda, escalabilidad y flexibilidad, pero
también introduce riesgos relacionados con la seguridad y la confiabilidad de los sistemas. Según Mell
y Grance (2011), la nube se fundamenta en modelos de servicio como IaaS, PaaS y SaaS, cada uno con
vulnerabilidades específicas que requieren mecanismos de monitoreo avanzados. En este sentido, el
machine learning se presenta como una alternativa a los métodos tradicionales basados en reglas, ya
que permite identificar patrones ocultos y adaptarse a cambios en los datos.
Los algoritmos supervisados, como las máquinas de soporte vectorial y los árboles de decisión, han
demostrado eficacia en la clasificación de comportamientos normales y anómalos, siempre que se
disponga de conjuntos de datos etiquetados (Zhang et al., 2019). Sin embargo, en entornos cloud, la
disponibilidad de datos etiquetados es limitada, lo que ha impulsado el uso de enfoques no supervisados
como el clustering y la detección basada en densidad. Ahmed, Mahmood y Hu (2016) destacan que los
métodos no supervisados son especialmente útiles para identificar anomalías desconocidas, aunque
presentan el reto de generar un mayor número de falsos positivos.
pág. 6339
El deep learning ha emergido como una tendencia clave en la detección de anomalías en la nube.
Modelos como las redes neuronales convolucionales y las redes recurrentes permiten analizar secuencias
de datos y detectar patrones complejos asociados a ataques o fallos de configuración (Xu et al., 2018).
No obstante, la interpretabilidad de estos modelos sigue siendo un desafío, lo que limita su adopción en
entornos donde la transparencia es un requisito.
Asimismo, se han desarrollado enfoques híbridos que combinan técnicas supervisadas y no
supervisadas, buscando aprovechar las ventajas de ambos paradigmas. Según Ribeiro et al. (2020), los
sistemas híbridos permiten reducir la tasa de falsos positivos y mejorar la precisión en la detección de
anomalías, aunque requieren mayor capacidad computacional y un diseño más complejo.
En síntesis, el marco teórico evidencia que la detección de anomalías en entornos cloud mediante
machine learning se sustenta en tres grandes enfoques: supervisado, no supervisado y profundo, cada
uno con fortalezas y limitaciones. La literatura revisada muestra que la tendencia actual se orienta hacia
modelos híbridos y soluciones basadas en deep learning, capaces de adaptarse a la dinámica de los
entornos cloud y de ofrecer mayor precisión en la identificación de comportamientos anómalos.
RESULTADOS Y DISCUSIÓN
La revisión documental permitió identificar que las aplicaciones del machine learning para la detección
de anomalías en entornos cloud se concentran en tres enfoques principales: algoritmos supervisados, no
supervisados y modelos de deep learning. Los resultados muestran que los algoritmos supervisados,
como las máquinas de soporte vectorial y los árboles de decisión, alcanzan altos niveles de precisión
cuando se dispone de conjuntos de datos etiquetados. Sin embargo, su aplicabilidad en la nube se ve
limitada por la escasez de datos previamente clasificados, lo que restringe su capacidad de
generalización (Zhang et al., 2019).
En contraste, los métodos no supervisados, como el clustering basado en K-means y los modelos de
densidad, demostraron ser más adecuados para entornos cloud, donde los datos son heterogéneos y no
siempre etiquetados. Ahmed, Mahmood y Hu (2016) señalan que estos enfoques permiten descubrir
patrones anómalos desconocidos, aunque generan un mayor número de falsos positivos, lo que implica
un reto para su implementación práctica.
El deep learning ha emergido como una tendencia clave en la detección de anomalías en la nube.
Modelos como las redes neuronales convolucionales y las redes recurrentes permiten analizar secuencias
de datos y detectar patrones complejos asociados a ataques o fallos de configuración (Xu et al., 2018).
No obstante, la interpretabilidad de estos modelos sigue siendo un desafío, lo que limita su adopción en
entornos donde la transparencia es un requisito.
Asimismo, se han desarrollado enfoques híbridos que combinan técnicas supervisadas y no
supervisadas, buscando aprovechar las ventajas de ambos paradigmas. Según Ribeiro et al. (2020), los
sistemas híbridos permiten reducir la tasa de falsos positivos y mejorar la precisión en la detección de
anomalías, aunque requieren mayor capacidad computacional y un diseño más complejo.
En síntesis, el marco teórico evidencia que la detección de anomalías en entornos cloud mediante
machine learning se sustenta en tres grandes enfoques: supervisado, no supervisado y profundo, cada
uno con fortalezas y limitaciones. La literatura revisada muestra que la tendencia actual se orienta hacia
modelos híbridos y soluciones basadas en deep learning, capaces de adaptarse a la dinámica de los
entornos cloud y de ofrecer mayor precisión en la identificación de comportamientos anómalos.
RESULTADOS Y DISCUSIÓN
La revisión documental permitió identificar que las aplicaciones del machine learning para la detección
de anomalías en entornos cloud se concentran en tres enfoques principales: algoritmos supervisados, no
supervisados y modelos de deep learning. Los resultados muestran que los algoritmos supervisados,
como las máquinas de soporte vectorial y los árboles de decisión, alcanzan altos niveles de precisión
cuando se dispone de conjuntos de datos etiquetados. Sin embargo, su aplicabilidad en la nube se ve
limitada por la escasez de datos previamente clasificados, lo que restringe su capacidad de
generalización (Zhang et al., 2019).
En contraste, los métodos no supervisados, como el clustering basado en K-means y los modelos de
densidad, demostraron ser más adecuados para entornos cloud, donde los datos son heterogéneos y no
siempre etiquetados. Ahmed, Mahmood y Hu (2016) señalan que estos enfoques permiten descubrir
patrones anómalos desconocidos, aunque generan un mayor número de falsos positivos, lo que implica
un reto para su implementación práctica.
pág. 6340
Tabla 2 Principales enfoques de machine learning aplicados a la detección de anomalías en cloud
Enfoque
Algoritmos
representativos
Ventajas Limitaciones
Supervisado
SVM, Árboles de
decisión
Alta precisión con datos
etiquetados
Requiere datasets etiquetados,
poca adaptabilidad
No
supervisado
K-means, DBSCAN
Detecta anomalías
desconocidas
Mayor tasa de falsos positivos
Deep
learning
RNN, CNN
Alta capacidad para
patrones complejos
Escasa interpretabilidad, alto
costo computacional
Híbrido
Supervisado + No
supervisado
Reducción de falsos
positivos, mayor precisión
Complejidad en diseño e
implementación
Los estudios revisados también evidencian que el deep learning ha ganado protagonismo en los últimos
años. Xu et al. (2018) reportan que las redes neuronales recurrentes aplicadas al análisis de secuencias
de tráfico en la nube logran detectar anomalías con mayor precisión que los métodos tradicionales.
Asimismo, Ribeiro et al. (2020) destacan que los enfoques híbridos, que combinan técnicas supervisadas
y no supervisadas, reducen significativamente la tasa de falsos positivos y mejoran la capacidad de
adaptación a entornos dinámicos.
Tabla 2 Principales enfoques de machine learning aplicados a la detección de anomalías en cloud
Enfoque
Algoritmos
representativos
Ventajas Limitaciones
Supervisado
SVM, Árboles de
decisión
Alta precisión con datos
etiquetados
Requiere datasets etiquetados,
poca adaptabilidad
No
supervisado
K-means, DBSCAN
Detecta anomalías
desconocidas
Mayor tasa de falsos positivos
Deep
learning
RNN, CNN
Alta capacidad para
patrones complejos
Escasa interpretabilidad, alto
costo computacional
Híbrido
Supervisado + No
supervisado
Reducción de falsos
positivos, mayor precisión
Complejidad en diseño e
implementación
Los estudios revisados también evidencian que el deep learning ha ganado protagonismo en los últimos
años. Xu et al. (2018) reportan que las redes neuronales recurrentes aplicadas al análisis de secuencias
de tráfico en la nube logran detectar anomalías con mayor precisión que los métodos tradicionales.
Asimismo, Ribeiro et al. (2020) destacan que los enfoques híbridos, que combinan técnicas supervisadas
y no supervisadas, reducen significativamente la tasa de falsos positivos y mejoran la capacidad de
adaptación a entornos dinámicos.
pág. 6341
Tabla 3 Comparación de resultados reportados en estudios recientes
Autor(es) Año
Enfoque
metodológico
Principales hallazgos
Chandola, Banerjee &
Kumar
2009 Revisión general
Definición de anomalía y clasificación de
técnicas
Ahmed, Mahmood &
Hu
2016 No supervisado
Útil para anomalías desconocidas, pero con
falsos positivos
Xu et al. 2018 Deep learning
RNN detecta patrones complejos en tráfico
cloud
Ribeiro et al. 2020 Híbrido
Reducción de falsos positivos y mayor
precisión
La discusión de estos hallazgos permite establecer que, aunque los modelos supervisados ofrecen
resultados más precisos en escenarios controlados, los enfoques no supervisados y de deep learning
resultan más adecuados para la naturaleza cambiante de los entornos cloud. Sin embargo, persisten
desafíos relacionados con la escalabilidad de los modelos, la interpretabilidad de los resultados y la
integración con sistemas de monitoreo en tiempo real. Chandola, Banerjee y Kumar (2009) ya advertían
que la detección de anomalías no solo debe enfocarse en la precisión, sino también en la capacidad de
explicar los resultados, aspecto que sigue siendo un vacío en la literatura actual.
En términos de novedad científica, se observa que los enfoques híbridos representan una línea de
investigación prometedora, ya que permiten combinar la robustez de los métodos supervisados con la
flexibilidad de los no supervisados. Además, la incorporación de técnicas de deep learning abre
perspectivas para el desarrollo de sistemas autónomos capaces de aprender y adaptarse continuamente
a nuevas amenazas en la nube. No obstante, la pertinencia de estos modelos dependerá de su capacidad
para integrarse en arquitecturas cloud sin comprometer el rendimiento ni la disponibilidad de los
servicios.
Tabla 3 Comparación de resultados reportados en estudios recientes
Autor(es) Año
Enfoque
metodológico
Principales hallazgos
Chandola, Banerjee &
Kumar
2009 Revisión general
Definición de anomalía y clasificación de
técnicas
Ahmed, Mahmood &
Hu
2016 No supervisado
Útil para anomalías desconocidas, pero con
falsos positivos
Xu et al. 2018 Deep learning
RNN detecta patrones complejos en tráfico
cloud
Ribeiro et al. 2020 Híbrido
Reducción de falsos positivos y mayor
precisión
La discusión de estos hallazgos permite establecer que, aunque los modelos supervisados ofrecen
resultados más precisos en escenarios controlados, los enfoques no supervisados y de deep learning
resultan más adecuados para la naturaleza cambiante de los entornos cloud. Sin embargo, persisten
desafíos relacionados con la escalabilidad de los modelos, la interpretabilidad de los resultados y la
integración con sistemas de monitoreo en tiempo real. Chandola, Banerjee y Kumar (2009) ya advertían
que la detección de anomalías no solo debe enfocarse en la precisión, sino también en la capacidad de
explicar los resultados, aspecto que sigue siendo un vacío en la literatura actual.
En términos de novedad científica, se observa que los enfoques híbridos representan una línea de
investigación prometedora, ya que permiten combinar la robustez de los métodos supervisados con la
flexibilidad de los no supervisados. Además, la incorporación de técnicas de deep learning abre
perspectivas para el desarrollo de sistemas autónomos capaces de aprender y adaptarse continuamente
a nuevas amenazas en la nube. No obstante, la pertinencia de estos modelos dependerá de su capacidad
para integrarse en arquitecturas cloud sin comprometer el rendimiento ni la disponibilidad de los
servicios.
pág. 6342
CONCLUSIONES
El análisis realizado permite afirmar que el machine learning constituye una herramienta fundamental
para la detección de anomalías en entornos cloud, ofreciendo soluciones más flexibles y precisas que
los métodos tradicionales basados en reglas. Los hallazgos de la revisión muestran que los algoritmos
supervisados alcanzan altos niveles de exactitud en escenarios controlados, aunque su aplicabilidad se
ve limitada por la necesidad de datos etiquetados. Los enfoques no supervisados, por su parte, resultan
más adecuados para la naturaleza dinámica y heterogénea de la nube, aunque presentan el reto de generar
falsos positivos.
El deep learning emerge como una tendencia clave, capaz de identificar patrones complejos y adaptarse
a entornos cambiantes, aunque su falta de interpretabilidad sigue siendo un obstáculo para su adopción
masiva. Los enfoques híbridos representan una línea de investigación prometedora, ya que combinan la
robustez de los métodos supervisados con la flexibilidad de los no supervisados, logrando reducir la tasa
de falsos positivos y mejorar la precisión.
En términos de relevancia, este estudio aporta una visión crítica y actualizada sobre el estado del arte en
la aplicación del machine learning para la detección de anomalías en la nube, destacando tanto sus
fortalezas como sus limitaciones. Se concluye que el futuro de la investigación en este campo debe
orientarse hacia el desarrollo de modelos escalables, interpretables y capaces de integrarse en sistemas
de monitoreo en tiempo real sin comprometer el rendimiento de los servicios cloud. Finalmente, se
reconoce que persisten interrogantes abiertos, como la necesidad de mejorar la transparencia de los
modelos de deep learning y la adaptación de los sistemas híbridos a arquitecturas distribuidas más
complejas, lo que constituye una tarea pendiente para futuros investigadores.
REFERENCIAS BIBLIOGRÁFICAS
Ahmed, M., Mahmood, A. N., & Hu, J. (2016). A survey of network anomaly detection techniques.
Journal of Network and Computer Applications, 60(1), 19–31.
https://doi.org/10.1016/j.jnca.2015.11.016
Al-Mazrawe, A., & Al-Musawi, B. (2024, abril). Detección de anomalías en redes en la nube: Una
reseña. BIO Web of Conferences, 97(5), 00019. https://doi.org/10.1051/bioconf/20249700019
CONCLUSIONES
El análisis realizado permite afirmar que el machine learning constituye una herramienta fundamental
para la detección de anomalías en entornos cloud, ofreciendo soluciones más flexibles y precisas que
los métodos tradicionales basados en reglas. Los hallazgos de la revisión muestran que los algoritmos
supervisados alcanzan altos niveles de exactitud en escenarios controlados, aunque su aplicabilidad se
ve limitada por la necesidad de datos etiquetados. Los enfoques no supervisados, por su parte, resultan
más adecuados para la naturaleza dinámica y heterogénea de la nube, aunque presentan el reto de generar
falsos positivos.
El deep learning emerge como una tendencia clave, capaz de identificar patrones complejos y adaptarse
a entornos cambiantes, aunque su falta de interpretabilidad sigue siendo un obstáculo para su adopción
masiva. Los enfoques híbridos representan una línea de investigación prometedora, ya que combinan la
robustez de los métodos supervisados con la flexibilidad de los no supervisados, logrando reducir la tasa
de falsos positivos y mejorar la precisión.
En términos de relevancia, este estudio aporta una visión crítica y actualizada sobre el estado del arte en
la aplicación del machine learning para la detección de anomalías en la nube, destacando tanto sus
fortalezas como sus limitaciones. Se concluye que el futuro de la investigación en este campo debe
orientarse hacia el desarrollo de modelos escalables, interpretables y capaces de integrarse en sistemas
de monitoreo en tiempo real sin comprometer el rendimiento de los servicios cloud. Finalmente, se
reconoce que persisten interrogantes abiertos, como la necesidad de mejorar la transparencia de los
modelos de deep learning y la adaptación de los sistemas híbridos a arquitecturas distribuidas más
complejas, lo que constituye una tarea pendiente para futuros investigadores.
REFERENCIAS BIBLIOGRÁFICAS
Ahmed, M., Mahmood, A. N., & Hu, J. (2016). A survey of network anomaly detection techniques.
Journal of Network and Computer Applications, 60(1), 19–31.
https://doi.org/10.1016/j.jnca.2015.11.016
Al-Mazrawe, A., & Al-Musawi, B. (2024, abril). Detección de anomalías en redes en la nube: Una
reseña. BIO Web of Conferences, 97(5), 00019. https://doi.org/10.1051/bioconf/20249700019
pág. 6343
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S.,
Gil-López, S., Molina, D., Poyatos, R., Ribeiro, M., Schneider, G., Sentis, A., Serrano, J. C.,
Trawiński, B., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts,
taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–
115. https://doi.org/10.1016/j.inffus.2019.12.012
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys,
41(3), 1–58. https://doi.org/10.1145/1541880.1541882
García-Teodoro, P., Díaz-Verdejo, J., Maciá-Fernández, G., & Vázquez, E. (2009). Anomaly-based
network intrusion detection: Techniques, systems and challenges. Computers & Security, 28(1–
2), 18–28. https://doi.org/10.1016/j.cose.2008.08.003
Hodge, V., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence
Review, 22(2), 85–126. https://doi.org/10.1023/B:AIRE.0000045502.10941.a9
Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in
software engineering. Technical Report EBSE-2007-01, Keele University.
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing. National Institute of Standards
and Technology, Special Publication 800-145.
Papavasileiou, E. F., Oubibi, M., Finnegan, A., & Haleon. (2025, noviembre). IA explicable para la
detección de anomalías en la nube: Haciendo que el reconocimiento de amenazas basado en
redes neuronales sea transparente y auditable. Recuperado de ResearchGate.
Saabith, S., Thangarajah, V., & Fareez, M. (2023, octubre). Un estudio de técnicas de aprendizaje
automático para la detección de anomalías en ciberseguridad. Revista Internacional de
Investigación en Ingeniería y Ciencia, 11(10), 183–193. Recuperado de ResearchGate.
Sommer, R., & Paxson, V. (2010). Outside the closed world: On using machine learning for network
intrusion detection. IEEE Symposium on Security and Privacy, 305–316.
https://doi.org/10.1109/SP.2010.25
Xu, H., Chen, W., Zhao, N., Li, Z., Bu, J., Li, Z., & Jin, R. (2018). Unsupervised anomaly detection via
variational auto-encoder for seasonal KPIs in web applications. Proceedings of the 2018 World
Wide Web Conference, 187–196. https://doi.org/10.1145/3178876.3185996
Barredo Arrieta, A., Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., García, S.,
Gil-López, S., Molina, D., Poyatos, R., Ribeiro, M., Schneider, G., Sentis, A., Serrano, J. C.,
Trawiński, B., & Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts,
taxonomies, opportunities and challenges toward responsible AI. Information Fusion, 58, 82–
115. https://doi.org/10.1016/j.inffus.2019.12.012
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys,
41(3), 1–58. https://doi.org/10.1145/1541880.1541882
García-Teodoro, P., Díaz-Verdejo, J., Maciá-Fernández, G., & Vázquez, E. (2009). Anomaly-based
network intrusion detection: Techniques, systems and challenges. Computers & Security, 28(1–
2), 18–28. https://doi.org/10.1016/j.cose.2008.08.003
Hodge, V., & Austin, J. (2004). A survey of outlier detection methodologies. Artificial Intelligence
Review, 22(2), 85–126. https://doi.org/10.1023/B:AIRE.0000045502.10941.a9
Kitchenham, B., & Charters, S. (2007). Guidelines for performing systematic literature reviews in
software engineering. Technical Report EBSE-2007-01, Keele University.
Mell, P., & Grance, T. (2011). The NIST definition of cloud computing. National Institute of Standards
and Technology, Special Publication 800-145.
Papavasileiou, E. F., Oubibi, M., Finnegan, A., & Haleon. (2025, noviembre). IA explicable para la
detección de anomalías en la nube: Haciendo que el reconocimiento de amenazas basado en
redes neuronales sea transparente y auditable. Recuperado de ResearchGate.
Saabith, S., Thangarajah, V., & Fareez, M. (2023, octubre). Un estudio de técnicas de aprendizaje
automático para la detección de anomalías en ciberseguridad. Revista Internacional de
Investigación en Ingeniería y Ciencia, 11(10), 183–193. Recuperado de ResearchGate.
Sommer, R., & Paxson, V. (2010). Outside the closed world: On using machine learning for network
intrusion detection. IEEE Symposium on Security and Privacy, 305–316.
https://doi.org/10.1109/SP.2010.25
Xu, H., Chen, W., Zhao, N., Li, Z., Bu, J., Li, Z., & Jin, R. (2018). Unsupervised anomaly detection via
variational auto-encoder for seasonal KPIs in web applications. Proceedings of the 2018 World
Wide Web Conference, 187–196. https://doi.org/10.1145/3178876.3185996
pág. 6344
Yuan, K., Xia, Z., & Shi, Y. (2025). Detección semántica no supervisada por Web de ataques APT en
tráfico de red utilizando DBSCAN++ y aiNet mejorados. International Journal on Semantic
Web and Information Systems, 21(1), 1–31. https://doi.org/10.4018/IJSWIS.370387
Yuan, K., Xia, Z., & Shi, Y. (2025). Detección semántica no supervisada por Web de ataques APT en
tráfico de red utilizando DBSCAN++ y aiNet mejorados. International Journal on Semantic
Web and Information Systems, 21(1), 1–31. https://doi.org/10.4018/IJSWIS.370387