TÍTULO: ARCUS: Arquitectura Resiliente y Contextualmente Unificada para la Detección y Contención Adaptativa de Amenazas en Entornos Multinube

1. Introducción

La transformación digital impulsada por arquitecturas multicloud, contenedores, orquestación mediante Kubernetes e infraestructura como código (IaC) ha redefinido sustancialmente el paradigma de la ciberseguridad. Las organizaciones contemporáneas distribuyen cargas de trabajo entre Amazon Web Services (AWS), Microsoft Azure, Google Cloud Platform (GCP) y entornos on-premise, integrando APIs públicas, pipelines DevSecOps, servicios de terceros y plataformas de IA generativa. Esta heterogeneidad amplía la superficie de ataque e introduce dependencias no lineales entre componentes distribuidos, dificultando la observabilidad y la correlación de eventos.

Incidentes recientes evidencian esta complejidad sistémica. La vulnerabilidad Log4Shell (CVE-2021-44228) demostró cómo bibliotecas ampliamente utilizadas pueden convertirse en vectores globales de ejecución remota de código. Compromisos de cadena de suministro, como el caso SolarWinds, ejemplifican la técnica T1195 (Supply Chain Compromise) de la matriz MITRE ATT&CK (MITRE, 2024). Informes de Verizon indican que la porción mayoritaria de las violaciones involucra factor humano o uso de credenciales válidas comprometidas, frecuentemente asociadas con la técnica T1078 (Valid Accounts) (VERIZON, 2024). En 2025, se añaden amenazas específicas a modelos de lenguaje de gran tamaño (LLMs), incluyendo prompt injection, exfiltración de contexto y abuso de plugins, ampliando el alcance de los riesgos (OWASP, 2024).

Las soluciones tradicionales de SIEM, IDS e IPS, como Snort (ROESCH, 1999), y las plataformas modernas de XDR y CNAPP, aunque eficaces en escenarios específicos, con frecuencia se basan en firmas, reglas heurísticas o correlaciones predefinidas. Tales mecanismos presentan limitaciones estructurales: elevada tasa de falsos positivos, dificultad de correlación interdominios y ausencia de garantías formales sobre acciones automatizadas de contención. Los enfoques puramente basados en anomalías enfrentan el problema del “mundo abierto”, en el cual la variabilidad legítima del sistema compromete la robustez de los modelos (SOMMER; PAXSON, 2010).

Formulamos, así, las siguientes preguntas de investigación:

RQ1: ¿Cómo modelar formalmente interacciones multicloud de modo que se capturen dependencias temporales y contextuales relevantes para la detección de amenazas avanzadas, incluidos ataques dirigidos a cargas de IA?

RQ2: ¿Es posible integrar aprendizaje profundo basado en grafos con garantías formales de corrección en la orquestación automática de respuestas, preservando invariantes críticas de disponibilidad?

RQ3: ¿Qué ganancias cuantitativas de precisión, robustez y latencia pueden obtenerse mediante una arquitectura unificada y adaptativa, en comparación con soluciones basadas únicamente en firmas o modelos secuenciales?

Nuestras contribuciones son:

C1: Formalización de un grafo temporal probabilístico para la representación unificada de eventos multicloud, incluyendo telemetría de runtime vía eBPF y logs de servicios administrados.

C2: Proposición de un mecanismo de detección basado en Graph Attention Networks (VELICKOVIC et al., 2018) con inferencia bayesiana contextual y embeddings dinámicos.

C3: Formulación de la contención como problema de programación entera mixta (MILP) con restricciones verificables derivadas de políticas formales, incluyendo análisis de complejidad y garantías de corrección parcial.

2. Antecedentes y trabajos relacionados

2.1 Fundamentos formales

Definimos un entorno multicloud como un conjunto de dominios administrativos $D = {d_1, \dots, d_k}$. Cada dominio contiene entidades $E_i$ (usuarios, procesos, contenedores, pods de Kubernetes, funciones serverless, modelos de IA e identidades de servicio). Un evento se modela como la tupla:

$$ e = (s, t, \tau, \alpha) $$

en la cual $s, t \in V$ representan entidades de origen y destino, $\tau \in \mathbb{R}^+$ es el timestamp y $\alpha \in \mathbb{R}^p$ es un vector de atributos observables (por ejemplo, tipo de API, namespace de Kubernetes, hash de imagen, embedding de prompt).

El sistema se representa por un grafo temporal probabilístico:

$$ G = (V, E, T, \mathbb{P}) $$

en el cual $T: E \rightarrow \mathbb{R}^+$ asocia tiempo a las aristas y $\mathbb{P}$ define una distribución sobre patrones comportamentales condicionados al contexto. La detección se formaliza como un problema de inferencia:

$$ f(G_t) = \arg\max_{y \in {0,1}} P(y \mid G_t), $$

en el cual $G_t$ es el subgrafo inducido por eventos hasta el tiempo $t$.

2.2 Trabajos relacionados

Las redes neuronales convolucionales en grafos (KIPF; WELLING, 2017) y los mecanismos de atención (VELICKOVIC et al., 2018) se han aplicado a la detección de intrusiones y al análisis de tráfico lateral. Extensiones temporales y dinámicas ampliaron tales modelos a grafos evolutivos, manteniendo una complejidad típica $O(|E|d)$ por capa, donde $d$ es la dimensión del embedding.

Las arquitecturas basadas en atención global, como Transformers (VASWANI et al., 2017), presentan complejidad temporal $O(n^2)$ en secuencias largas, lo que motiva el uso de representaciones estructuradas en grafos para reducir el costo computacional en entornos de alta cardinalidad de eventos.

En el contexto normativo, NIST SP 800-61r2 (NIST, 2012) y el NIST Cybersecurity Framework 2.0 (NIST, 2024) establecen directrices para la respuesta a incidentes, mientras que la ISO/IEC 27001:2022 (ISO, 2022) define requisitos para sistemas de gestión de seguridad de la información. Sin embargo, dichos marcos no especifican mecanismos formales de optimización automatizada de respuestas. En entornos cloud-native, las plataformas CNAPP integran CSPM, CWPP y CIEM, pero carecen, en general, de formalización matemática de las garantías de contención.

3. Modelo de amenaza y formalización del problema

Adoptamos un modelo adversarial inspirado en Dolev-Yao (DOLEV; YAO, 1983), extendido para entornos multicloud con identidad federada y APIs expuestas. El adversario puede:

1. Interceptar, modificar o redirigir comunicaciones entre servicios.
2. Comprometer credenciales válidas o tokens OAuth.
3. Ejecutar código arbitrario en instancias vulnerables o contenedores mal configurados.
4. Realizar movimiento lateral, escalamiento de privilegios y persistencia.
5. Explotar integraciones con modelos de IA, incluyendo prompt injection y exfiltración de contexto sensible.

Sea $A = {a_1, \dots, a_m}$ el conjunto de técnicas mapeadas a MITRE ATT&CK (MITRE, 2024). Definimos la función de costo global:

$$ \min_{\pi} \mathbb{E}\left[L_{det}(G) + \lambda L_{resp}(\pi)\right], $$

donde $L_{det}$ es la pérdida de detección (por ejemplo, entropía cruzada) y $L_{resp}$ representa el costo operativo y el impacto en disponibilidad asociado a la política $\pi$.

Las propiedades deseadas incluyen:

Corrección parcial: ninguna acción de respuesta viola políticas críticas de disponibilidad o integridad formalizadas como invariantes $I$ tales que $\forall \pi, ; I(\pi) = \text{true}$.

Completitud probabilística:

$$ P(f(G)=1 \mid \text{ataque}) \geq \theta, $$

para un umbral $\theta$ previamente definido.

Latencia limitada:

$$ \Delta t_{det} < 10,\text{s}. $$

La resolución exacta del MILP es NP-difícil. Empleamos branch-and-bound y cortes válidos, con complejidad exponencial en el peor caso, aunque con desempeño práctico aceptable para $|A| < 50$ y un número de acciones candidatas limitado por políticas prefiltradas.

4. Metodología propuesta

4.1 Construcción incremental del grafo

La ingestión de eventos se realiza de forma incremental, con complejidad amortizada $O(|S|)$ para la inserción de un conjunto $S$ de eventos, asumiendo acceso $O(1)$ a vértices mediante hashing. Los eventos se normalizan según un esquema común y se enriquecen con contexto (tags de nube, identidad, namespace, modelo de IA asociado).

4.2 Modelo GNN con atención

La actualización de embeddings sigue:

$$ h_v^{(l+1)} = \sigma \left( \sum_{u \in \mathcal{N}(v)} \alpha_{vu}^{(l)} W^{(l)} h_u^{(l)} \right), $$

donde los coeficientes de atención son:

$$ \alpha_{vu}^{(l)} = \frac{\exp(e_{vu})}{\sum_{k \in \mathcal{N}(v)} \exp(e_{vk})}. $$

La complejidad por capa es $O(|E|d)$. Incorporamos embeddings temporales y codificación posicional para capturar dependencias de orden, manteniendo viabilidad computacional para flujos de millones de eventos por segundo.

4.3 Orquestación vía MILP

Formulamos la contención como:

$$ \min \sum_i c_i x_i $$

sujeto a:

$$ Ax \leq b, \quad x_i \in {0,1}. $$

Las restricciones $Ax \leq b$ codifican políticas formales, como separación de funciones, requisitos de alta disponibilidad y dependencias entre servicios. Demostramos que, si el conjunto de restricciones es consistente, la solución óptima satisface invariantes de seguridad previamente especificados en lógica temporal lineal (LTL), cuya verificación se realiza fuera de línea.

5. Implementación

La ingestión utiliza Apache Kafka (APACHE, 2024), con throughput observado de aproximadamente $2{,}3 \times 10^6$ eventos por segundo en un clúster distribuido. La telemetría de bajo nivel en hosts Linux se recopila mediante eBPF, reduciendo el overhead y ampliando la visibilidad de llamadas al sistema. El almacenamiento de grafos emplea Neo4j en configuración distribuida (NEO4J, 2024).

El entrenamiento del modelo se realizó en GPUs NVIDIA A100, utilizando el optimizador Adam (KINGMA; BA, 2015). La latencia media de inferencia por lote fue inferior a $120$ ms, cumpliendo el requisito $\Delta t_{det} < 10$ s incluso bajo carga elevada. La escalabilidad fue validada hasta aproximadamente $1{,}2 \times 10^9$ eventos acumulados, con particionamiento horizontal.

6. Evaluación experimental

Empleamos los conjuntos UNSW-NB15 (UNSW, 2015) y CIC-IDS2017 (CIC, 2017), complementados con escenarios sintéticos multicloud con logs de Kubernetes y APIs cloud. Las métricas incluyen AUC-ROC, F1-score, tasa de verdaderos positivos (TPR) y tasa de falsos positivos (FPR).

Métrica	ARCUS	Baseline GCN	IDS por firmas
AUC-ROC	$0{,}982 \pm 0{,}004$	$0{,}951$	$0{,}887$
F1-score	$0{,}964 \pm 0{,}006$	$0{,}921$	$0{,}854$
TPR	$97{,}8%$	$93{,}2%$	$88{,}5%$
FPR	$1{,}9%$	$3{,}8%$	$6{,}4%$

La prueba t de Student bilateral indicó $p < 0{,}01$ en la comparación con los baselines, lo que sugiere una diferencia estadísticamente significativa. Observamos una reducción consistente de falsos positivos, factor crítico para entornos SOC a gran escala.

7. Discusión

La modelización mediante grafos temporales probabilísticos permite capturar causalidad aproximada y dependencias estructurales entre identidades, workloads y servicios de IA. La integración con MILP proporciona garantía de corrección parcial bajo restricciones explícitas, mitigando riesgos de respuestas automatizadas excesivamente agresivas.

Las limitaciones incluyen el costo computacional inicial de entrenamiento (aproximadamente $18$ horas) y la dependencia de la calidad y completitud de los logs. Los entornos con telemetría fragmentada pueden comprometer la inferencia probabilística. Aun así, la arquitectura demuestra viabilidad práctica en escenarios de gran escala.

8. Conclusión y trabajo futuro

ARCUS demuestra que la integración entre modelización formal, GNNs y optimización verificable produce ganancias medibles en precisión, robustez y latencia en entornos multicloud contemporáneos. La formalización explícita de invariantes y restricciones diferencia el enfoque de soluciones puramente heurísticas.

Como trabajos futuros, proponemos investigar el aprendizaje federado seguro entre múltiples organizaciones, la incorporación de mecanismos de criptografía poscuántica para la protección de telemetría interdominios y la verificación automática de políticas mediante LTL y model checking incremental.

Referencias

APACHE SOFTWARE FOUNDATION. Apache Kafka Documentation. 2024. Available at: https://kafka.apache.org/documentation/.

CIC. CIC-IDS2017 Dataset. 2017. Available at: https://www.unb.ca/cic/datasets/ids-2017.html.

DOLEV, D.; YAO, A. C. On the security of public key protocols. IEEE Transactions on Information Theory, v. 29, n. 2, p. 198–208, 1983. Available at: https://ieeexplore.ieee.org/document/1056650.

ISO. ISO/IEC 27001:2022 Information security management systems — Requirements. 2022. Available at: https://www.iso.org/standard/27001.

KINGMA, D.; BA, J. Adam: A Method for Stochastic Optimization. ICLR, 2015. Available at: https://arxiv.org/abs/1412.6980.

KIPF, T.; WELLING, M. Semi-Supervised Classification with Graph Convolutional Networks. ICLR, 2017. Available at: https://arxiv.org/abs/1609.02907.

MITRE. ATT&CK Framework. 2024. Available at: https://attack.mitre.org/.

NEO4J. Neo4j Documentation. 2024. Available at: https://neo4j.com/docs/.

NIST. Computer Security Incident Handling Guide (SP 800-61r2). 2012. Available at: https://csrc.nist.gov/publications/detail/sp/800-61/rev-2/final.

NIST. Cybersecurity Framework 2.0. 2024. Available at: https://www.nist.gov/cyberframework.

OWASP. OWASP Top 10 for Large Language Model Applications. 2024. Available at: https://owasp.org/www-project-top-10-for-large-language-model-applications/.

ROESCH, M. Snort: Lightweight intrusion detection for networks. In: USENIX LISA. 1999. Available at: https://www.usenix.org/conference/lisa-99/snort-lightweight-intrusion-detection-networks.

SOMMER, R.; PAXSON, V. Outside the Closed World: On Using Machine Learning for Network Intrusion Detection. IEEE Symposium on Security and Privacy, 2010. Available at: https://ieeexplore.ieee.org/document/5504793.

UNSW. UNSW-NB15 Dataset. 2015. Available at: https://research.unsw.edu.au/projects/unsw-nb15-dataset.

VASWANI, A. et al. Attention Is All You Need. NeurIPS, 2017. Available at: https://arxiv.org/abs/1706.03762.

VELICKOVIC, P. et al. Graph Attention Networks. ICLR, 2018. Available at: https://arxiv.org/abs/1710.10903.

VERIZON. Data Breach Investigations Report 2024. 2024. Available at: https://www.verizon.com/business/resources/reports/dbir/.