Aprendizaje Profundo Frente a Reglas Estáticas : Detección de Anomalías y Amenazas de Día Cero
Castillo Serracín , Juan; Gómez , Javier
Deep Learning vs. Static Rules : Anomaly Detection and Zero-Day Threats
Autores Gómez , Javier
Tema inteligencia artificial
Tema protección de datos
Tema delitos informáticos
Tema ciencia de datos
Tema computer security
Tema artificial intelligence
Tema data protection
Tema computer crime
Tema data science
Descripción La evolución de las ciberamenazas hacia vectores polimórficos y estocásticos ha precipitado la obsolescencia técnica de los modelos de seguridad deterministas basados en firmas y reglas estáticas. Esta investigación de revisión bibliográfica analiza el cambio de paradigma desde la detección reactiva hacia la defensa cognitiva, con el objetivo de evaluar la eficacia del Aprendizaje Profundo (Deep Learning) en la identificación de patrones de anomalías y amenazas de Día Cero (Zero-Day). Bajo un enfoque cualitativo de alcance descriptivo-analítico, el estudio se fundamentó en una revisión estructurada que permitió transitar desde un corpus preliminar de 265 documentos hasta una muestra final de 17 fuentes primarias de alto impacto, triangulando hallazgos empíricos de la academia con informes estratégicos de la industria global como IBM Security, Gartner y Ponemon Institute. Los resultados confirman que la superioridad del Deep Learning radica en su capacidad de Aprendizaje de Representación (Representation Learning), superando la ceguera estructural de los sistemas tradicionales que fallan en identificar hasta el 60% de las nuevas variantes de malware. La evidencia demuestra que la automatización cognitiva no solo resuelve la detección de malware mutante mediante arquitecturas como las CNN con precisiones superiores al 98%, sino que impacta la viabilidad operativa al reducir el tiempo de respuesta en 98 días y disminuir el costo promedio de las brechas en 2.22 millones de dólares. Se concluye que el futuro de la ciberseguridad reside en la defensa autónoma y la resiliencia dinámica, exigiendo una reestructuración de la formación académica hacia la Ciencia de Datos aplicada y la implementación de marcos de explicabilidad (XAI) para garantizar la gobernanza del modelo.
Tipo info:eu-repo/semantics/publishedVersion
Tipo Artículo revisado por pares
Identificador 10.48204/synergia.v5n1.9883
Fuente 2953-2973
Derechos https://creativecommons.org/licenses/by-nc-sa/4.0