Ciberseguridad inteligente: aplicación de técnicas de aprendizaje automático para la detección y prevención de amenazas digitales

Resumen

La transformación digital ha incrementado la exposición de sistemas, redes, dispositivos, aplicaciones y datos frente a amenazas capaces de modificar sus características y dificultar su identificación mediante mecanismos convencionales. En este escenario, las técnicas de aprendizaje automático adquieren relevancia por su capacidad para procesar información, reconocer patrones y diferenciar comportamientos asociados con actividades potencialmente maliciosas. El estudio tuvo como finalidad analizar los estudios especializados sobre el uso de estas técnicas en la detección y prevención de amenazas digitales, considerando algoritmos empleados, amenazas examinadas, capacidades de detección, criterios de desempeño, aportes y limitaciones. Se adoptó un enfoque cualitativo, descriptivo y documental, mediante PRISMA 2020 para organizar la identificación, selección y depuración de las fuentes. Los hallazgos muestran aplicaciones de algoritmos supervisados, métodos no supervisados y arquitecturas de aprendizaje profundo en la detección de intrusiones, malware y anomalías. Los modelos supervisados favorecen la clasificación de amenazas previamente caracterizadas, mientras que los procedimientos no supervisados permiten localizar comportamientos atípicos. Las arquitecturas profundas amplían el procesamiento de información compleja y de elevada dimensionalidad. Persisten limitaciones asociadas con la calidad y representatividad de los datos, el desequilibrio entre categorías, los falsos positivos, la interpretabilidad y la evolución constante de las amenazas digitales, condiciones que delimitan las capacidades atribuidas a estas técnicas.