Modelos predictivos de seguridad basados en inteligencia artificial
Resumen
El presente trabajo tiene como objetivo analizar el papel de los modelos predictivos de seguridad basados en inteligencia artificial como herramientas estratégicas para anticipar amenazas y reducir riesgos en entornos digitales. La metodología implementada se fundamenta en una revisión documental de literatura científica reciente, complementada con el estudio de casos prácticos en ciberseguridad empresarial, seguridad pública y protección de infraestructuras críticas. Se emplearon técnicas de análisis comparativo para identificar patrones comunes en la aplicación de algoritmos supervisados, no supervisados y de aprendizaje profundo, así como sus ventajas y limitaciones en la detección de anomalías y la prevención de ataques. Los principales hallazgos evidencian que la inteligencia artificial permite transformar la seguridad de un enfoque reactivo hacia uno proactivo, mejorando la capacidad de respuesta y reduciendo la exposición a vulnerabilidades. Sin embargo, se identifican retos asociados a la calidad de los datos, la interpretabilidad de los modelos y la gestión de falsos positivos, lo que plantea la necesidad de un equilibrio entre innovación tecnológica y gobernanza ética.
Descargas
Citas
Ahmad, Z., Khan, A. S., Shiang, C. W., Abdullah, J., & Ahmad, F. (2021). Network intrusion detection system: A systematic study of machine learning and deep learning approaches. Transactions on Emerging Telecommunications Technologies, 32(1), e4150. https://doi.org/10.1002/ett.4150
Alashhab, A. A., Zahid, M. S. M., Muneer, A., & Abdullahi, M. (2024, enero). Detección de ataques DDoS a baja tasa usando Deep Learning para redes IoT habilitadas con SDN [Preprint]. TechRxiv. https://doi.org/10.36227/techrxiv.170472893.31491821/v1
Bishop, C. M. (2006). Pattern recognition and machine learning. Springer. ISBN: 978-0387310732
Buczak, A. L., & Guven, E. (2016). A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Communications Surveys & Tutorials, 18(2), 1153–1176. https://doi.org/10.1109/COMST.2015.2494502
Castro Peña, J. L. (2023). Inteligencia artificial aplicada a la seguridad. Logos Guardia Civil: Revista Científica del Centro Universitario de la Guardia Civil, (1), 35–60. https://revistacugc.es/article/view/5911
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. ISBN: 9780262035613
Shaukat, K., Luo, S., Varadharajan, V., & Hameed, I. A. (2020). Performance comparison and current challenges of using machine learning techniques in cybersecurity. Energies, 13(10), 2509. https://doi.org/10.3390/en13102509
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.2010.26
Sarker, I. H., Kayes, A. S. M., & Watters, P. (2019). Effectiveness analysis of machine learning classification models for predicting personalized smartphone usage in a context-aware environment. Journal of Big Data, 6(1), 57. https://doi.org/10.1186/s40537-019-0219-y
Tiwari, S., & Kumar, A. (2024). Novel bit-level adaptive and asymmetric data compression technique [Preprint]. TechRxiv. School of Computer Science, University of Petroleum and Energy Studies (UPES), Dehradun. https://doi.org/10.36227/techrxiv.170472893.31491821/v1
Derechos de autor 2026 María Teodolinda Ortega Ovalle
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
