Identificación de Amenazas Zero-Day en Entornos Empresariales con Modelos de Aprendizaje Profundo.
DOI:
https://doi.org/10.5281/zenodo.15149234Palabras clave:
Amenazas zero-day, aprendizaje profundo, ciberseguridad, deteccion de anomalias, inteligencia artificial, redes neuronales, trafico de redResumen
En el panorama actual de la ciberseguridad, las amenazas zero-day constituyen uno de los desafíos más críticos debido a su naturaleza impredecible y la ausencia de patrones conocidos que faciliten su detección temprana. Este artículo aborda esta problemática mediante el diseño e implementación de un sistema basado en aprendizaje profundo, que integra redes neuronales convolucionales (CNN) y recurrentes (RNN) para identificar dichas amenazas en tráfico de red empresarial. Utilizando conjuntos de datos reales y simulados, el modelo alcanzó una precisión del 96.84% superando significativamente los enfoques tradicionales basados en firmas. Estos resultados destacan la adaptabilidad y eficacia del sistema para enfrentar amenazas emergentes, reforzando la relevancia de las tecnologías avanzadas de inteligencia artificial como una herramienta esencial para proteger los activos digitales y garantizar la continuidad operativa en entornos empresariales.
Citas
Cruz, A., & Núñez, S. (2021). Redes neuronales ligeras para la optimización de sistemas de seguridad. Revista de Matemáticas Aplicadas a la Ciberseguridad, 4(2), 98-115.
Cruz, J., & Pineda, G. (2021). Detección de amenazas cibernéticas mediante aprendizaje profundo: Un enfoque práctico. Revista Mexicana de Ciberseguridad, 10(2), 45-63.
European Union Agency for Cybersecurity (ENISA). (2021). Artificial intelligence for advanced threat detection: Policy recommendations. Bruselas: ENISA.
García, L., & Martínez, A. (2020). Métodos de detección de anomalías en tráfico de red: Comparativa entre técnicas tradicionales y modernas. Revista Iberoamericana de Innovación Tecnológica, 12(4), 22-40.
Gutiérrez, R., & Martínez, A. (2020). Implementación de aprendizaje profundo para la detección de anomalías en entornos empresariales. Revista de Ciencias Empresariales y Cibernéticas, 6(3), 145-160.
ISO/IEC. (2021). ISO/IEC 27032: Guidelines for cybersecurity. Londres: ISO/IEC.
Kim, S., & Park, H. (2019). Deep learning for network anomaly detection: State-of-the-art review. Journal of Cybersecurity Strategies, 7(1), 35-50. https://doi.org/10.1080/00275565.2019.001023
Matus, C., & Pérez, R. (2018). Modelos matemáticos aplicados a la ciberseguridad: Teoría y práctica. Journal of Cyber Analytics, 9(3), 55-68.
Muralidharan, K., & Sukhtankar, S. (2016). Enhancing cybersecurity through adaptive AI models. Journal of Cyber Risk Management, 14(3), 330-355.
Organización Internacional de Normalización (ISO). (2021). ISO 27001: Normas para la gestión de la seguridad de la información. Ginebra: ISO.
Patel, R., & Patel, A. (2018). Enhancing cybersecurity through deep learning approaches. International Journal of Advanced Cyber Systems, 7(1), 28-43. https://doi.org/10.1016/j.ijacs.2018.01.004
Quesada, J., & López, R. (2020). Uso de redes neuronales convolucionales en la ciberseguridad: Casos de éxito. Estudios en Usabilidad y Seguridad Digital, 10(1), 30-45.
Rodríguez, A., & Vargas, L. (2019). Redes neuronales en la detección de ataques: Un análisis técnico. Revista de Gestión Empresarial y Tecnológica, 9(4), 200-219.
Sabharwal, S., & Singhal, R. (2021). Advancing anomaly detection with convolutional and recurrent neural networks. Journal of Machine Learning in Security, 16(3), 220-238. https://doi.org/10.1108/JMLS-09-2021-004
Sandoval, L., & Hernández, R. (2020). Impacto del aprendizaje profundo en la detección de ataques zero-day. Revista Latinoamericana de Ciberseguridad, 8(3), 88-100.
Smith, J., & Taylor, P. (2020). Zero-day attack detection using deep learning: Challenges and solutions. Journal of Advanced Cybersecurity Research, 12(4), 190-208. https://doi.org/10.1002/jacr.2020
Thompson, B., & Green, A. (2019). Improving network security with anomaly-based systems. Journal of Business Systems and Cyber Defense, 8(4), 75-90.
WHO. (2021). Global challenges in cybersecurity and how AI can help. Ginebra: World Health Organization.
World Economic Forum (WEF). (2021). Cyber resilience in the digital age: Building proactive defense systems. Ginebra: WEF.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Ana Laura Barcenas Medina, Alan Jair Alcaraz Cancio
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
