Research / Paper Files

Paper Files

Paper Files es una práctica personal de estudio continuo en ciberseguridad que aplica el método científico como herramienta de aprendizaje. Cada artículo no se escribe para su publicación académica, sino como un ejercicio deliberado para afilar el hacha — profundizando en temas concretos, organizando ideas con rigor y observando cómo evoluciona la comprensión de ciertos asuntos con el tiempo. Es el equivalente intelectual a un cuaderno de entrenamiento: cada entrada registra qué se estudió, cómo se analizó y qué conclusiones surgieron.

Recomiendo encarecidamente que los profesionales de seguridad adopten este método. Elige un tema que quieras dominar, investiga fuentes primarias (RFCs, papers, documentación oficial), estructura tu texto con introducción, metodología, análisis y conclusión, y escribe como si estuvieras explicándoselo a un compañero. El acto de escribir obliga a pensar con claridad y expone lagunas de comprensión que la lectura pasiva no puede revelar. Usa los artículos de este sitio como ejemplos de formato y profundidad, y construye tu propia colección: con el tiempo, tendrás un repositorio personal de conocimiento refinado que ningún curso ni certificación puede sustituir.

DAI & ADAI · 2026

DAI · EN

DAI: A Domain-Specific LLM with Model-Excluded Authority, Capability-Disjoint Verification, and Recomputable Receipts

DAI (Decripte Artificial Intelligence) is a proprietary domain-specific LLM within a governed autonomous defensive architecture. It is an instance of the proposed ADAI category defined in the companion framework paper. T…

Read paper →ADAI · EN

Autonomous Defensive AI: An Envelope-and-Evidence Framework for Governed LLMs Acting on Production Infrastructure

ADAI (Autonomous Defensive Artificial Intelligence) is a proposed category of governed autonomous cyber defense. The framework specifies defended perimeters, bounded effects, declared rollback and capability-disjoint ver…

Read paper →

Todos Detection DFIR AppSec DevSecOps AI Security IAM Cloud Containers IR Crypto Research Phishing Secrets

216 papers

Research

Investigación aplicada en ciberseguridad en 2026: una metodología reproducible para detección, validación y respuesta a amenazas híbridas con IA, nube y eBPF

Este artículo propone una metodología de investigación aplicada en ciberseguridad, diseñada para el contexto operativo de 2026, donde convergen entornos híbridos, servicios SaaS, cadenas de suministro software, telemetría basada en eBPF, y amenazas potenciadas por IA generativa. El objetivo no es describir la ciberseguridad como disciplina abstracta, sino formalizar un ciclo de investigación reproducible que conecte observación, hipótesis, experimentación controlada, validación estadística y transferencia a operaciones defensivas. La contribución central es un marco práctico para construir investigaciones que sean científicamente defendibles y, al mismo tiempo, útiles para SOC, red teams, equipos de threat hunting y respuesta a incidentes. Se presentan un modelo de amenaza contemporáneo, una formulación del problema orientada a reducción de falsos positivos y mejora de cobertura, una metodología de instrumentación multi-fuente con logs, red, nube, endpoints y artefactos de LLM, y una implementación de referencia basada en herramientas ampliamente usadas en 2026 como Zeek, Suricata, osquery, Falco, eBPF, Sigma y OpenTelemetry. Además, se incluye una evaluación experimental con métricas de precisión, recall, tiempo medio de detección y costo operacional, comparando enfoques tradicionales con una pipeline de investigación reproducible. El artículo incorpora un estudio de caso sobre phishing asistido por IA y abuso de identidad en Microsoft 365, ilustrando cómo la metodología captura señales débiles antes de la escalada. Finalmente, se discuten las limitaciones éticas, la validez interna y externa, y el impacto de la criptografía poscuántica, CNAPP, Zero Trust y la gobernanza de IA sobre el futuro de la investigación en ciberseguridad. La tesis principal es que la investigación en ciberseguridad en 2026 debe abandonar tanto el academicismo aislado como la ingeniería ad hoc, y adoptar un paradigma de ciencia operativa verificable, instrumentalizada y orientada a decisiones.

2026-04-20Read paper →AppSec

Seguridad de Aplicaciones en 2026: marco integral para AppSec adaptativo frente a cadenas de suministro, IA generativa y superficies cloud-native

Este artículo presenta un marco integral de seguridad de aplicaciones (AppSec) contextualizado para 2026, en un entorno dominado por arquitecturas cloud-native, desarrollo asistido por IA, cadenas de suministro de software complejas y un aumento sostenido de ataques contra dependencias, APIs y flujos CI/CD. Se propone una metodología operativa para diseñar, implementar y evaluar controles preventivos y detectivos a lo largo del ciclo de vida del software, combinando modelado de amenazas, análisis de composición de software, SAST, DAST, fuzzing, hardening de pipelines, protección en tiempo de ejecución y telemetría basada en eBPF. El trabajo formaliza el problema de AppSec como una optimización multiobjetivo entre reducción de riesgo, fricción para desarrolladores y costo operacional, y presenta un modelo cuantitativo para priorización de hallazgos según explotabilidad, impacto y exposición. La propuesta se alinea con prácticas maduras de Zero Trust, CNAPP, SBOM, SLSA, OpenSSF, políticas de secretos, revisión asistida por IA con controles de gobernanza y observabilidad continua. Se incluyen criterios de implementación con herramientas reales ampliamente adoptadas hasta 2026, como Semgrep, CodeQL, SonarQube, Trivy, Grype, OWASP ZAP, kube-bench, kube-hunter, Falco y Sigstore, así como ejemplos de configuración de pipelines en GitHub Actions y GitLab CI. La evaluación experimental se diseña sobre un conjunto representativo de aplicaciones web, APIs y microservicios, comparando cobertura, falsos positivos, tiempo de detección y costo de integración. Los resultados ilustran que una estrategia por capas reduce de forma significativa la exposición efectiva frente a fallos comunes de inyección, control de acceso roto, SSRF, deserialización insegura, exposición de secretos y vulnerabilidades en dependencias. Finalmente, se discute la evolución de AppSec hacia un modelo gobernado por políticas, con capacidades de respuesta automática, riesgo contextual y soporte explícito para sistemas con componentes de inteligencia artificial generativa.

2026-04-19Read paper →Containers

Seguridad de contenedores en entornos nativos de nube: modelado de amenazas, endurecimiento, detección y respuesta en plataformas Docker, containerd, Kubernetes y eBPF en 2026

La adopción de contenedores se consolidó como uno de los pilares operativos de la computación en nube, la ingeniería de plataformas y la entrega continua. Sin embargo, su aparente ligereza no implica aislamiento fuerte por defecto. En 2026, los entornos de contenedores siguen exponiendo superficies de ataque complejas: escape de contenedores, abuso de privilegios, escalada a nivel de nodo, envenenamiento de supply chain, abuso de imágenes, exposición de secretos, pivoteo lateral en clústeres Kubernetes y persistencia mediante workloads legítimos. Este trabajo presenta un análisis integral de la seguridad de contenedores desde una perspectiva defensiva y operativa. Primero, formaliza el problema considerando la separación entre espacio de usuario, kernel compartido, runtime, orquestador y cadena de suministro. Luego propone una metodología de defensa en profundidad que combina políticas de admisión, control de acceso mínimo, firma y verificación de artefactos, análisis de imágenes, restricciones de kernel, observabilidad con eBPF, y respuesta automatizada en el plano de orquestación. La metodología se traduce en patrones de implementación concretos para Docker, containerd y Kubernetes con herramientas históricamente disponibles hasta 2026, incluyendo seccomp, AppArmor, SELinux, Pod Security Admission, OPA Gatekeeper, Kyverno, Falco, Tetragon, Trivy, Grype, Cosign, SBOM y mecanismos de attestation. También se presenta una evaluación experimental con métricas de reducción de superficie de ataque, costo operativo y latencia de despliegue bajo distintos perfiles de endurecimiento. A través de un caso de estudio sobre un entorno microservicios expuesto a abuso de secretos y privilegios excesivos, se demuestra que la combinación de controles de construcción, despliegue y runtime reduce significativamente la probabilidad de compromiso y acelera la contención. El artículo concluye que la seguridad de contenedores en 2026 debe entenderse como un problema de ciclo de vida completo, no como una propiedad inherente de la tecnología, y que la convergencia entre seguridad de software, seguridad de plataforma y telemetría en tiempo de ejecución es indispensable para operar a escala.

2026-04-18Read paper →Detection

Arquitecturas Modernas de Detección de Amenazas en Infraestructuras Híbridas: Correlación Multicapa con Telemetría eBPF, SIEM de Nueva Generación y Modelos de Aprendizaje Automático (2026)

La detección de amenazas constituye uno de los pilares fundamentales de las operaciones modernas de ciberseguridad. A medida que las infraestructuras corporativas evolucionan hacia entornos híbridos compuestos por nubes públicas, contenedores, microservicios y dispositivos distribuidos, las superficies de ataque crecen de manera exponencial. Paralelamente, los adversarios han incorporado técnicas avanzadas que incluyen automatización, evasión de EDR, explotación de identidades, living-off-the-land binaries (LOLBins) y campañas de ingeniería social generadas mediante inteligencia artificial. En este contexto, los mecanismos tradicionales de detección basados únicamente en firmas resultan insuficientes. Este trabajo presenta un enfoque integral de detección de amenazas diseñado para el panorama operativo de 2026, combinando telemetría a nivel kernel mediante eBPF, correlación en plataformas SIEM/XDR de nueva generación y modelos híbridos de detección basados en aprendizaje automático y análisis estadístico. Se formaliza un modelo de amenaza que contempla actores APT, operadores de ransomware y campañas automatizadas impulsadas por IA generativa. Posteriormente se propone una arquitectura de detección multicapa que integra fuentes heterogéneas de datos —logs de identidad, eventos de red, telemetría de endpoint y actividad en contenedores— para producir alertas de alta fidelidad. La investigación incluye la implementación de un prototipo operativo basado en Elastic Security, Falco, Zeek y sensores eBPF desplegados en Kubernetes. Además, se evalúa experimentalmente la capacidad de detección frente a técnicas MITRE ATT&CK comunes como credential dumping (T1003), command-and-control sobre DNS (T1071.004) y ejecución mediante PowerShell (T1059.001). Los resultados muestran mejoras significativas en la tasa de detección y reducción de falsos positivos mediante correlación probabilística y modelado de comportamiento. Finalmente, se presenta un estudio de caso realista inspirado en intrusiones observadas entre 2022 y 2025, donde un operador de ransomware utiliza robo de credenciales y movimiento lateral en un entorno híbrido. El análisis demuestra cómo la correlación entre telemetría de kernel, flujos de red y anomalías de identidad permite detectar la intrusión en fases tempranas de la cadena de ataque. El trabajo concluye con una discusión sobre limitaciones actuales y direcciones futuras, incluyendo detección asistida por modelos generativos, seguridad de modelos de IA y el impacto de criptografía post-cuántica en la inspección de tráfico cifrado.

2026-03-20Read paper →IAM

Arquitecturas Modernas de Identity and Access Management (IAM) frente a Amenazas Avanzadas: Modelado de Riesgo, Zero Trust y Defensa Operacional en Infraestructuras Híbridas (2026)

La gestión de identidades y accesos (Identity and Access Management, IAM) se ha convertido en el plano de control central de la seguridad moderna. En 2026, la mayoría de las intrusiones exitosas no comienzan con explotación de memoria tradicional, sino con abuso de credenciales, tokens OAuth, sesiones federadas o errores de configuración en sistemas de identidad. Informes de la industria indican que más del 80% de las brechas relevantes involucran compromisos de identidad o control de privilegios. La adopción generalizada de arquitecturas Zero Trust, la proliferación de servicios SaaS, la expansión de identidades de máquina (workload identities) y la introducción de mecanismos como passkeys basadas en FIDO2 han transformado radicalmente la superficie de ataque. Este trabajo presenta un análisis técnico y operacional de los sistemas IAM modernos en entornos híbridos y multinube. Primero se examinan los protocolos fundamentales —OAuth 2.0, OpenID Connect, SAML 2.0 y SCIM— junto con arquitecturas contemporáneas implementadas por plataformas como Microsoft Entra ID, Okta, Keycloak, AWS IAM y Google Cloud IAM. Posteriormente se formaliza un modelo de amenazas centrado en el abuso de identidad, incluyendo ataques como MFA fatigue, token replay, Golden SAML, OAuth consent phishing y explotación de errores en Active Directory Certificate Services (AD CS). Se propone una metodología defensiva basada en tres pilares: evaluación cuantitativa de riesgo de identidad, correlación de telemetría IAM con observabilidad de workloads mediante eBPF y análisis de comportamiento con modelos estadísticos. El enfoque incluye métricas formales para calcular el riesgo de sesión y priorizar controles adaptativos de autenticación. La implementación se valida mediante un laboratorio experimental que simula un entorno híbrido con Active Directory, Entra ID, AWS IAM y un IdP basado en Keycloak. Los resultados experimentales muestran que la correlación de eventos IAM con telemetría de procesos reduce el tiempo medio de detección de abuso de credenciales en un 47% comparado con SIEM tradicional basado exclusivamente en logs de autenticación. Finalmente se presenta un estudio de caso inspirado en intrusiones reales donde el compromiso inicial se produce mediante phishing OAuth y escalamiento posterior mediante delegación indebida de roles. El trabajo concluye que la seguridad de IAM ya no puede tratarse como un componente aislado de autenticación. En arquitecturas modernas, IAM es el sistema operativo de la identidad digital, y su protección requiere telemetría continua, análisis contextual y políticas de acceso dinámicas alineadas con principios Zero Trust.

2026-01-24Read paper →IR

TÍTULO: Arquitectura Formal y Operacional para Respuesta a Incidentes Guiada por Evidencias con Correlación Multicapa y Orquestación Automatizada

TÍTULO: Arquitectura Formal y Operacional para Respuesta a Incidentes Guiada por Evidencias con Correlación Multicapa y Orquestación Automatizada RESUMEN: La creciente complejidad de las infraestructuras digitales y el aumento del volumen de telemetría de seguridad han convertido la respuesta a incidentes en un desafío operativo significativo para las organizaciones modernas. Los entornos corporativos contemporáneos generan millones de eventos de seguridad diariamente, provenientes de múltiples capas de monitoreo, incluidas red, endpoints, aplicaciones e infraestructura en la nube. Aunque herramientas como sistemas de detección de intrusiones, plataformas SIEM y soluciones EDR amplían la visibilidad operativa, la fragmentación de las evidencias y la ausencia de modelos formales de correlación a menudo dan lugar a altas tasas de falsos positivos y retrasos en la contención de incidentes. Este trabajo presenta una arquitectura formal y operacional para la respuesta a incidentes guiada por evidencias, basada en la correlación temporal probabilística de eventos y la orquestación automatizada de respuestas. Modelamos los eventos de seguridad como vértices en un grafo temporal ponderado, en el que las relaciones causales se estiman mediante una función de verosimilitud condicionada por la proximidad temporal y semántica entre eventos observables. La arquitectura propuesta integra telemetría proveniente de sensores de red (Suricata), monitoreo de host (Sysmon y Wazuh), pipelines de ingesta de logs (Elastic Stack y Kafka) y una capa de orquestación basada en SOAR utilizando TheHive y Cortex. La correlación automática genera hipótesis de incidente que activan playbooks de respuesta, incluyendo recolección de memoria volátil, ejecución de reglas YARA y aislamiento automatizado de hosts comprometidos mediante APIs de seguridad de endpoint. Para evaluar empíricamente el modelo, realizamos experimentos controlados en un entorno corporativo simulado con 200 endpoints y 12 servidores, utilizando escenarios de ataque reproducidos mediante Atomic Red Team alineados con el framework MITRE ATT&CK. Los resultados indican reducciones mensurables en métricas operativas críticas: el tiempo medio de detección (MTTD) se redujo de 18,4 a 11,5 minutos, mientras que el tiempo medio de respuesta (MTTR) disminuyó de 42,7 a 24,7 minutos. Además, observamos una mejora significativa en el desempeño de clasificación de incidentes, con aumento del F1-score de 0,71 a 0,91. El análisis demuestra que la formalización matemática de la correlación de eventos, aliada a la automatización de respuesta basada en evidencias, contribuye a una mayor precisión analítica, menor carga cognitiva para los analistas y mayor rapidez en la contención de amenazas complejas.

2008-10-05Read paper →Containers

Seguridad de Containers en Entornos Cloud-Native: Modelado de Amenazas, Técnicas de Explotación y Estrategias de Defensa en Ecosistemas Docker y Kubernetes (2023)

TITLE: Seguridad de Containers en Entornos Cloud-Native: Modelado de Amenazas, Técnicas de Explotación y Estrategias de Defensa en Ecosistemas Docker y Kubernetes (2023) ABSTRACT: La adopción de containers ha transformado profundamente la ingeniería de software y la seguridad operacional en entornos cloud-native. Tecnologías como Docker y Kubernetes se han convertido en la base de la infraestructura moderna, permitiendo portabilidad, escalabilidad y automatización a gran escala. Sin embargo, esta nueva arquitectura también introduce una superficie de ataque distinta, caracterizada por un aislamiento basado en un kernel compartido, dependencias complejas de imágenes y cadenas de suministro de software potencialmente vulnerables. Este trabajo presenta un análisis profundo de la seguridad de containers desde una perspectiva ofensiva y defensiva, considerando el estado del arte hasta 2023. Inicialmente, examinamos los fundamentos técnicos del modelo de containers Linux, incluyendo namespaces, cgroups y el runtime OCI. A continuación, analizamos vectores de ataque recurrentes observados en incidentes reales, como escape de containers, explotación de runtimes, compromiso de la cadena de build y ataques a clústeres Kubernetes. Proponemos un modelo formal de amenaza que captura las relaciones entre workload, runtime, host y plano de control, permitiendo la cuantificación del riesgo basada en la probabilidad de explotación y el impacto operacional. La metodología presentada combina análisis estático de imágenes, monitoreo comportamental basado en eBPF y políticas de aislamiento reforzadas por seccomp, AppArmor y Pod Security Standards. La implementación experimental se llevó a cabo en un clúster Kubernetes con instrumentación utilizando herramientas ampliamente empleadas en 2023, incluyendo Falco, Trivy y kube-bench. Los resultados demuestran una reducción significativa en la exposición a vulnerabilidades conocidas y una mejora en la detección de comportamiento anómalo en tiempo casi real. También presentamos un estudio de caso basado en campañas de cryptomining observadas en clústeres Kubernetes comprometidos. La discusión explora limitaciones prácticas, desafíos de gobernanza e implicaciones de la seguridad de la cadena de suministro de containers. Concluimos destacando direcciones futuras, incluyendo la integración con modelos Zero Trust, la observabilidad basada en eBPF y la automatización de la respuesta a incidentes en entornos cloud-native. Este estudio proporciona una visión operacional y técnica para profesionales de seguridad, arquitectos de infraestructura e investigadores interesados en la defensa de ecosistemas de containers.

2008-09-28Read paper →Containers

TÍTULO: Arquitectura Formal y Operacional para la Detección y Contención de Amenazas en Entornos Containerizados Basados en Kubernetes

TÍTULO: Arquitectura Formal y Operacional para la Detección y Contención de Amenazas en Entornos Containerizados Basados en Kubernetes RESUMEN: La adopción de arquitecturas cloud-native basadas en contenedores transformó profundamente la forma en que las aplicaciones distribuidas se diseñan, implementan y escalan. Kubernetes se consolidó como el principal sistema de orquestación para la gestión de workloads containerizados, ofreciendo abstracciones declarativas para el escalado, la tolerancia a fallos y la automatización operativa. Sin embargo, esta capa adicional de abstracción introduce nuevos vectores de ataque y amplía la superficie de exposición, particularmente en entornos con alta densidad de contenedores efímeros y cadenas de suministro complejas de imágenes. Explotaciones de vulnerabilidades en runtimes de contenedores, configuraciones inseguras de APIs de orquestación y campañas automatizadas de criptominería en clústeres mal configurados demuestran que los mecanismos tradicionales de seguridad son insuficientes para lidiar con la naturaleza dinámica de estos entornos. En este trabajo, proponemos una arquitectura formal y operacional para la detección y contención de amenazas en clústeres Kubernetes, combinando modelado matemático de estados del sistema con mecanismos prácticos de observabilidad y respuesta automatizada. Formalizamos el entorno containerizado como un sistema de transiciones etiquetadas LTS = (S, A, →), permitiendo expresar propiedades de integridad y no interferencia relacionadas con la interacción entre contenedores, nodos del clúster y plano de control. Sobre esta base teórica, implementamos un pipeline de seguridad en múltiples capas compuesto por análisis estático de imágenes (Trivy y YARA), políticas declarativas de admisión utilizando Open Policy Agent/Gatekeeper, monitoreo conductual a nivel de kernel con eBPF vía Falco y mecanismos automatizados de aislamiento utilizando NetworkPolicies y controles administrativos de Kubernetes. La arquitectura fue evaluada experimentalmente en un clúster con 120 nodos y 2.400 pods activos, donde se simularon diferentes escenarios de ataque, incluida una tentativa de escape de contenedor, la ejecución de mineros de criptomonedas y el movimiento lateral mediante credenciales comprometidas. Los resultados indican una tasa media de detección de 96,3% con una tasa de falso positivo de 3,8%, además de reducciones significativas en los indicadores operativos MTTD y MTTR. Estos resultados demuestran que la integración entre formalización teórica y telemetría de bajo nivel basada en eBPF constituye un enfoque eficaz para reforzar la seguridad operacional de plataformas cloud-native a escala.

2008-09-21Read paper →Containers

TÍTULO: Arquitectura Formal y Evaluación Empírica de un Modelo de Defensa en Profundidad para Entornos de Contenedores Basados en Kubernetes bajo Amenazas Persistentes Avanzadas

TÍTULO: Arquitectura Formal y Evaluación Empírica de un Modelo de Defensa en Profundidad para Entornos de Contenedores Basados en Kubernetes bajo Amenazas Persistentes Avanzadas RESUMEN: La adopción de arquitecturas basadas en contenedores orquestados por Kubernetes se ha vuelto predominante en infraestructuras de nube nativa debido a su elasticidad, portabilidad y capacidad de automatización operativa. Sin embargo, la creciente complejidad de estos entornos introduce una superficie de ataque ampliada que puede ser explotada por adversarios sofisticados, incluidas campañas de Amenazas Persistentes Avanzadas (Advanced Persistent Threats – APTs). En particular, vectores como el compromiso de la cadena de suministro de imágenes, la explotación de vulnerabilidades del kernel compartido, el abuso de permisos del plano de control y el movimiento lateral entre pods representan desafíos críticos para los equipos de seguridad. En este trabajo, presentamos una arquitectura formal de defensa en profundidad para clústeres Kubernetes, integrando mecanismos de control preventivo, detección conductual y respuesta automatizada. Modelamos el sistema de defensa como un grafo de estados de seguridad $G=(V,E)$, en el cual los vértices representan configuraciones de seguridad del clúster y las aristas representan transiciones inducidas por acciones adversarias o mecanismos de mitigación. La arquitectura propuesta combina políticas declarativas de seguridad (Open Policy Agent/Gatekeeper y Kyverno), inspección de llamadas al sistema basada en eBPF (Falco), segmentación de red con políticas de capa 7 (Cilium), análisis de vulnerabilidades en imágenes (Trivy) y telemetría observable integrada al ecosistema de seguridad de la nube nativa. Realizamos una evaluación empírica en un entorno experimental que contenía múltiples nodos Kubernetes y cargas de trabajo representativas de aplicaciones distribuidas. El escenario experimental reprodujo técnicas documentadas en el framework MITRE ATT&CK para containers, incluyendo escalamiento de privilegios, fuga de contenedores y exfiltración de datos. Los resultados indican que el enfoque de defensa en profundidad reduce significativamente el espacio de ataque observable y mejora el tiempo medio de detección (Mean Time To Detect – MTTD). Observamos que la integración de políticas de admisión, análisis estático de imágenes y monitoreo en tiempo real basado en eBPF permite detectar patrones de comportamiento malicioso con mayor precisión, reduciendo falsos positivos en comparación con enfoques aislados. Concluimos que la formalización de políticas de seguridad combinada con instrumentación observable del kernel constituye un camino prometedor para fortalecer la resiliencia de plataformas Kubernetes frente a adversarios persistentes. El trabajo aporta un modelo analítico, una arquitectura de referencia y resultados experimentales que pueden orientar el desarrollo de estrategias de seguridad para entornos de nube nativa a escala.

2008-09-14Read paper →Cloud

TÍTULO: Arquitectura Formal y Operacional para la Detección y Respuesta a Amenazas en Entornos Multi-Cloud Basada en Telemetría Unificada y Modelado del Adversario

TÍTULO: Arquitectura Formal y Operacional para la Detección y Respuesta a Amenazas en Entornos Multi-Cloud Basada en Telemetría Unificada y Modelado del Adversario RESUMEN: La consolidación de arquitecturas multi-cloud y cloud-native ha transformado profundamente la superficie de ataque de las organizaciones, desplazando el foco tradicional de la seguridad perimetral hacia la gobernanza de identidades, APIs, cadenas de supply chain, planos de control distribuidos e infraestructura definida por software. Incidentes ampliamente documentados —como la violación de Capital One en 2019, que involucró la explotación de Server-Side Request Forgery (SSRF) y acceso indebido al AWS Instance Metadata Service— y la explotación masiva de la vulnerabilidad Log4Shell (CVE-2021-44228) evidencian que la combinación de identidades excesivamente privilegiadas, visibilidad fragmentada y heterogeneidad de telemetría puede resultar en compromisos sistémicos de gran escala. Paralelamente, informes de inteligencia publicados por proveedores de nube y por organizaciones independientes indican que el abuso de credenciales válidas, tokens OAuth y claves de API constituye un vector recurrente en ataques a entornos cloud modernos. En este trabajo presentamos una arquitectura formal y operativa para la detección y respuesta a amenazas en entornos multi-cloud basada en tres pilares complementarios: (i) unificación semántica de telemetría proveniente del plano de control, red y runtime; (ii) modelado formal del comportamiento adversario mediante grafos temporales dirigidos y anotados; y (iii) mecanismos híbridos de correlación que combinan reglas declarativas (Sigma), firmas de red (Suricata), instrumentación basada en eBPF (Falco) y análisis estructurado con Elastic Stack y pipelines de ingestión normalizados. Formalizamos el problema de detección como una función de decisión $f: G(E,T) \rightarrow \{0,1\}$ definida sobre grafos temporales anotados e introducimos propiedades formales de completitud condicional y limitación de falsos positivos bajo hipótesis explícitas sobre la integridad de la telemetría y la granularidad temporal. Evaluamos empíricamente la arquitectura en un entorno multi-cloud que involucra Amazon Web Services, Microsoft Azure y Google Cloud Platform, con clústeres Kubernetes instrumentados y escenarios experimentales derivados del framework MITRE ATT&CK for Cloud ejecutados con Atomic Red Team. En comparación con baselines basados exclusivamente en logs del plano de control, observamos una reducción consistente del tiempo medio de detección (MTTD) y un aumento de la tasa de detección para cadenas que involucran manipulación de identidad, ejecución en contenedores y exfiltración de datos. Nuestros resultados indican que la unificación semántica de telemetría, junto con el modelado formal de cadenas de ataque, proporciona mejoras medibles en la detección manteniendo tasas de falso positivo compatibles con la operación de centros de operaciones de seguridad (SOC) maduros.

2008-09-07Read paper →Cloud

TÍTULO: Seguridad en Entornos de Computación en la Nube en 2023: Integración de CNAPP, Observabilidad con eBPF y Riesgos Emergentes de IA Generativa

TÍTULO: Seguridad en Entornos de Computación en la Nube en 2023: Integración de CNAPP, Observabilidad con eBPF y Riesgos Emergentes de IA Generativa RESUMEN: La rápida adopción de la computación en la nube transformó la infraestructura digital contemporánea, consolidando modelos como IaaS, PaaS y SaaS como pilares de la economía digital. En 2023, esta evolución tecnológica ocurrió simultáneamente con la expansión de arquitecturas nativas de la nube, microservicios, contenedores y pipelines de integración continua, ampliando significativamente la superficie de ataque de las organizaciones. Este trabajo examina, de forma sistemática, los principales desafíos de seguridad en entornos de nube modernos y presenta un análisis integrado de tres tendencias centrales observadas en el ecosistema de seguridad hasta 2023: plataformas Cloud-Native Application Protection Platform (CNAPP), observabilidad y detección de amenazas con eBPF, y riesgos emergentes asociados a la adopción de modelos de inteligencia artificial generativa y grandes modelos de lenguaje (LLMs). Inicialmente, discutimos los fundamentos arquitectónicos de la seguridad en la nube, incluyendo modelos de responsabilidad compartida, aislamiento de recursos y mecanismos criptográficos para la protección de datos. A continuación, analizamos vectores de ataque contemporáneos, como configuraciones incorrectas de infraestructura, compromiso de credenciales, explotación de APIs y ataques dirigidos a pipelines de desarrollo. Proponemos además un modelo formal de evaluación de riesgo para entornos multi-nube que integra métricas de exposición, criticidad de activos y probabilidad de explotación. Este modelo permite cuantificar el riesgo operativo en infraestructuras elásticas y altamente distribuidas. Además, evaluamos empíricamente el papel de las plataformas CNAPP en la convergencia entre CSPM, CWPP y seguridad de aplicaciones, demostrando cómo estas soluciones reducen brechas de visibilidad y respuesta a incidentes. También exploramos el uso de eBPF para monitoreo de bajo nivel en el kernel Linux, posibilitando la detección conductual de amenazas en tiempo real con impacto mínimo en el rendimiento. Por último, investigamos nuevos riesgos asociados a la integración de sistemas basados en LLMs en flujos corporativos, incluyendo prompt injection, exfiltración de datos y manipulación de contexto. Concluimos que la seguridad en la nube en 2023 exige un enfoque integrado que combine verificación formal, observabilidad profunda y gobernanza de IA. Los resultados indican que la convergencia entre técnicas criptográficas, análisis conductual y automatización basada en políticas es esencial para mitigar amenazas en infraestructuras distribuidas modernas.

2008-09-01Read paper →Cloud

Arquitectura Operacional para Detección y Respuesta ante Amenazas en Entornos Multi-Cloud basada en Telemetría Unificada, eBPF y Modelado Formal de Cadenas de Ataque

TITLE: Arquitectura Operacional para Detección y Respuesta ante Amenazas en Entornos Multi-Cloud basada en Telemetría Unificada, eBPF y Modelado Formal de Cadenas de Ataque ABSTRACT: La adopción masiva de la computación en la nube transformó profundamente la arquitectura de los sistemas corporativos, desplazando el perímetro de seguridad tradicional hacia un modelo centrado en la identidad, las APIs y la infraestructura definida por software. En entornos multi-cloud, la heterogeneidad de proveedores, formatos de telemetría y mecanismos de control dificulta la detección consistente de ataques distribuidos. Este trabajo investiga cómo arquitectar un sistema operativo de detección y respuesta a incidentes capaz de correlacionar eventos provenientes de múltiples proveedores de nube en tiempo casi real. Proponemos una arquitectura basada en telemetría unificada, normalización semántica de logs y modelado formal de secuencias de ataque. El enfoque integra datos provenientes de servicios nativos de auditoría (CloudTrail, Azure Activity Logs y GCP Cloud Logging), sensores de red e instrumentación de bajo nivel basada en eBPF para observabilidad de runtime en workloads cloud-native. A partir de esta telemetría heterogénea, definimos un modelo matemático para la evaluación de riesgo basado en ventanas temporales de eventos, permitiendo identificar cadenas de ataque caracterizadas por abuso de identidades, manipulación de infraestructura y movimiento lateral. El mecanismo de correlación implementado utiliza OpenSearch como motor de indexación y consulta, reglas Sigma para detección basada en firmas comportamentales y modelos de aprendizaje automático para la identificación de anomalías. La arquitectura también incorpora integración con la matriz MITRE ATT&CK, permitiendo mapear los eventos observados a técnicas adversarias conocidas. Realizamos una evaluación experimental en un entorno multi-cloud con más de mil millones de eventos recopilados de workloads distribuidos en tres proveedores. Los resultados indican una mejora significativa en métricas operativas de seguridad, incluyendo la reducción del tiempo medio de detección (MTTD) y del tiempo medio de respuesta (MTTR), manteniendo una baja tasa de falsos positivos. Además, demostramos cómo la formalización matemática de las cadenas de ataque permite un razonamiento sistemático sobre la seguridad operativa en la nube. El estudio contribuye a la literatura al combinar rigor formal, integración práctica con herramientas utilizadas en centros de operaciones de seguridad y validación empírica a escala realista, ofreciendo directrices arquitectónicas para detección y respuesta en entornos multi-cloud complejos.

2008-08-25Read paper →Cloud

TÍTULO: Arquitectura Formal y Operacional para la Detección y Contención de Amenazas en Entornos Multi-Cloud Basada en Telemetría Unificada y Modelado Adversarial

TÍTULO: Arquitectura Formal y Operacional para la Detección y Contención de Amenazas en Entornos Multi-Cloud Basada en Telemetría Unificada y Modelado Adversarial RESUMEN: La rápida adopción de arquitecturas multi-cloud introdujo desafíos sustanciales para la detección y contención de amenazas en entornos corporativos distribuidos. La elasticidad de la infraestructura, el uso extensivo de APIs programáticas y la complejidad de las políticas de identidad y acceso amplían significativamente la superficie de ataque. Incidentes ampliamente documentados, como el compromiso de Capital One en 2019 y la explotación global de la vulnerabilidad Log4Shell (CVE-2021-44228), demuestran cómo combinaciones de configuraciones inadecuadas, credenciales comprometidas y explotación de servicios pueden resultar en escalada lateral a gran escala. A pesar de la disponibilidad de grandes volúmenes de telemetría —incluidos logs de API, flujos de red, auditorías de contenedores y eventos de seguridad—, estas fuentes a menudo permanecen fragmentadas entre proveedores y herramientas, limitando la capacidad de correlación contextual. En este trabajo presentamos una arquitectura formal y operacional para la detección y contención de amenazas en entornos multi-cloud basada en telemetría unificada y modelado adversarial orientado a grafos. Proponemos una formalización matemática de la superficie de ataque en la cual identidades, recursos y políticas de autorización se representan como un grafo dirigido ponderado. Sobre este modelo introducimos algoritmos incrementales capaces de correlacionar eventos heterogéneos provenientes de múltiples proveedores de nube e identificar caminos de escalada lateral asociados con tácticas y técnicas del framework MITRE ATT&CK. La arquitectura se implementa utilizando herramientas ampliamente empleadas en la industria en 2023, incluyendo Elastic Stack, Apache Kafka, Neo4j, Kubernetes y reglas Sigma para la normalización de detecciones. Evaluamos experimentalmente el sistema en un entorno multi-cloud con 420 instancias distribuidas entre AWS, Azure y Google Cloud, ejecutando 36 escenarios adversariales representativos. Los resultados indican una mejora significativa con respecto a los enfoques SIEM tradicionales, con una tasa media de detección del 94,7%, una reducción del 61% en el tiempo medio de respuesta (MTTR) y una sobrecarga computacional inferior al 7%. Demostramos además, mediante un estudio de caso que involucra el compromiso de credenciales expuestas, cómo el modelado basado en grafos permite identificar rápidamente cadenas de ataque complejas que involucran abuso de permisos IAM y tokens temporales. Los resultados sugieren que la integración de telemetría unificada con modelado formal de permisos constituye un enfoque prometedor para la defensa de infraestructuras cloud modernas.

2008-08-18Read paper →IAM

TÍTULO: Arquitectura Formal y Operacional para Identity and Access Management (IAM) Resiliente al Compromiso de Credenciales en Entornos Multi-Cloud

TÍTULO: Arquitectura Formal y Operacional para Identity and Access Management (IAM) Resiliente al Compromiso de Credenciales en Entornos Multi-Cloud RESUMEN: La gestión de identidades y accesos (Identity and Access Management – IAM) se consolidó como un elemento central de la seguridad en arquitecturas corporativas distribuidas. En entornos multi-cloud, en los que aplicaciones y servicios se ejecutan simultáneamente en múltiples proveedores de infraestructura, el control de acceso basado en identidad sustituye progresivamente a los perímetros tradicionales de red como principal mecanismo de defensa. Sin embargo, las evidencias empíricas provenientes de informes de incidentes indican que el compromiso de credenciales sigue siendo uno de los vectores más recurrentes de violación de datos. Ataques que involucran la reutilización de tokens OAuth, la exposición de claves de API y el abuso de permisos excesivos demuestran que los mecanismos convencionales de autenticación y autorización no garantizan una contención eficaz cuando credenciales legítimas son obtenidas por adversarios. Este trabajo presenta una arquitectura formal y operacional para IAM resiliente al compromiso parcial de credenciales en entornos multi-cloud. Proponemos un modelo formal que representa sistemas de identidad como una tupla compuesta por usuarios, recursos, permisos, tokens y políticas, permitiendo definir propiedades matemáticas de resiliencia bajo un modelo de amenaza con adversarios graduados. Introducimos un juego de seguridad que captura el escenario en el que subconjuntos de credenciales son comprometidos y demostramos cómo mecanismos como tokens efímeros, derivación criptográfica de claves, segmentación de dominios de autorización y autenticación adaptativa basada en riesgo reducen el radio de impacto operacional. La arquitectura propuesta integra principios de Zero Trust, federación de identidad basada en OpenID Connect y SAML, además de mecanismos de monitoreo conductual y revocación coordinada en múltiples proveedores de nube. Evaluaciones experimentales y estudios de caso en contextos de infraestructura crítica y del sector financiero indican que el enfoque reduce significativamente la ventana temporal de explotación de credenciales comprometidas, manteniendo una sobrecarga computacional marginal. Al formalizar propiedades de seguridad frecuentemente tratadas solo de forma arquitectónica en la literatura, el trabajo contribuye a aproximar modelos criptográficos a garantías operacionales en sistemas IAM modernos. Los resultados indican que arquitecturas de identidad diseñadas explícitamente para operar bajo compromiso parcial pueden limitar de forma mensurable el impacto de ataques basados en credenciales.

2008-08-11Read paper →IAM

TÍTULO: Arquitectura Adaptativa de Identity and Access Management con Evaluación Continua de Riesgo y Detección de Abuso de Credenciales Basada en Telemetría Operacional

TÍTULO: Arquitectura Adaptativa de Identity and Access Management con Evaluación Continua de Riesgo y Detección de Abuso de Credenciales Basada en Telemetría Operacional RESUMEN: La gestión de identidades y accesos (Identity and Access Management – IAM) se ha convertido en un componente crítico de la seguridad corporativa en entornos distribuidos, caracterizados por infraestructuras híbridas, computación en la nube e integración intensiva entre servicios. Sin embargo, los ataques contemporáneos suelen explotar credenciales legítimas comprometidas, eludiendo los mecanismos tradicionales basados únicamente en autenticación inicial y control estático de permisos. Informes empíricos indican que el uso indebido de credenciales constituye una de las principales causas de violaciones de seguridad en organizaciones modernas. En este contexto, las arquitecturas de seguridad inspiradas en el paradigma Zero Trust enfatizan la verificación continua de identidad y contexto a lo largo de toda la sesión. Este trabajo propone una arquitectura adaptativa de IAM que incorpora evaluación continua de riesgo basada en telemetría operacional proveniente de endpoints, red y sistemas de identidad. Formalizamos un modelo matemático de riesgo dinámico $R(u,s,t)$ asociado al usuario $u$, la sesión $s$ y el tiempo $t$, integrando métricas de desviación conductual, anomalías de acceso y contexto ambiental. La arquitectura propuesta integra componentes ampliamente utilizados en entornos corporativos y académicos, incluyendo Keycloak como proveedor de identidad, Open Policy Agent (OPA) como mecanismo de decisión de políticas, Elastic Stack como infraestructura de análisis de eventos y sensores de seguridad como Sysmon y Suricata. Además, empleamos reglas Sigma para la estandarización de la detección de técnicas asociadas al framework MITRE ATT&CK. La evaluación experimental se llevó a cabo en un entorno corporativo simulado con más de 480 millones de eventos de log recopilados a lo largo de tres meses. Los resultados indican una reducción significativa en métricas operacionales de respuesta a incidentes, incluyendo la disminución del tiempo medio de detección (MTTD) y del tiempo medio de respuesta (MTTR) en comparación con modelos basados exclusivamente en RBAC. Un estudio de caso que involucra una cadena de ataque con phishing, dumping de credenciales y movimiento lateral demuestra la capacidad de la arquitectura para detectar abuso de credenciales en una etapa temprana. Los resultados indican que la integración entre IAM, telemetría operacional y mecanismos de evaluación continua de riesgo constituye un enfoque viable para fortalecer la seguridad de identidades en entornos corporativos modernos.

2008-08-04Read paper →IAM

Arquitectura IAM Resiliente Orientada a Amenazas: Formalización, Implementación y Evaluación Empírica de un Modelo Adaptativo Basado en Zero Trust y Detección Comportamental

TITLE: Arquitectura IAM Resiliente Orientada a Amenazas: Formalización, Implementación y Evaluación Empírica de un Modelo Adaptativo Basado en Zero Trust y Detección Comportamental ABSTRACT: La creciente adopción de entornos híbridos y multinube ha transformado la identidad digital en el principal vector de control de la seguridad organizacional. Los sistemas de Identity and Access Management (IAM), concebidos originalmente como mecanismos administrativos de aprovisionamiento de cuentas y permisos, han pasado a desempeñar un papel central en la mitigación de ataques avanzados, en particular aquellos basados en el compromiso de credenciales, el abuso de tokens de sesión y la escalada de privilegios. Informes recientes indican que las credenciales válidas siguen siendo uno de los principales vectores de intrusión en entornos corporativos. Sin embargo, las arquitecturas IAM tradicionales siguen estando predominantemente basadas en modelos estáticos de autorización, como Role-Based Access Control (RBAC), y con frecuencia son incapaces de reaccionar de forma dinámica a cambios contextuales y comportamentales asociados al riesgo operacional. En este trabajo proponemos una arquitectura IAM resiliente orientada a amenazas que integra principios de Zero Trust, evaluación dinámica de riesgo y detección comportamental basada en telemetría de seguridad. Formalizamos matemáticamente un modelo de riesgo adaptativo que combina la sensibilidad de la identidad, el contexto operacional, la desviación comportamental y la criticidad de la acción solicitada. A partir de esta formalización, diseñamos un mecanismo de decisión de acceso capaz de aplicar autenticación adaptativa y controles de bloqueo basados en umbrales dinámicos de riesgo. Implementamos un prototipo operacional utilizando tecnologías ampliamente adoptadas en entornos corporativos en 2023, incluyendo Azure Active Directory, AWS IAM, Elastic Stack, Suricata y Open Policy Agent. Realizamos una evaluación empírica con un entorno experimental que contenía miles de identidades simuladas y telemetría operacional recopilada a lo largo de treinta días. Los resultados demuestran una reducción sustancial en el tiempo medio de detección del abuso de credenciales y una disminución significativa de los permisos excesivos en comparación con una línea base basada en RBAC estático. Además, analizamos implicaciones operativas para los equipos de seguridad y discutimos limitaciones relacionadas con la calidad de la telemetría y la calibración de los parámetros del modelo. Concluimos que la integración entre análisis comportamental, evaluación contextual y políticas adaptativas representa un avance significativo en la construcción de arquitecturas IAM resilientes en entornos corporativos modernos.

2008-07-29Read paper →IAM

Título: Arquitectura Resiliente de Identity and Access Management Orientada a Amenazas: Modelado Formal, Detección Conductual y Hardening Operacional en Entornos Híbridos

Título: Arquitectura Resiliente de Identity and Access Management Orientada a Amenazas: Modelado Formal, Detección Conductual y Hardening Operacional en Entornos Híbridos Resumen: La consolidación de identidades digitales como principal vector de compromiso en entornos corporativos ha transformado Identity and Access Management (IAM) en el núcleo de la arquitectura de seguridad moderna. Las infraestructuras híbridas y multi-cloud, combinadas con la adopción masiva de SaaS, APIs e identidades de servicio, ampliaron significativamente la superficie de ataque basada en credenciales y tokens de autenticación. Informes empíricos indican que la mayoría de las violaciones contemporáneas involucra abuso de cuentas legítimas, escalamiento de privilegios o explotación de políticas de autorización mal configuradas. Este artículo propone una arquitectura resiliente de IAM orientada a amenazas que integra tres dimensiones complementarias: modelado formal de privilegios efectivos, detección conductual de uso anómalo de identidades y hardening operacional automatizado en entornos híbridos. Inicialmente formalizamos la superficie de privilegio utilizando grafos dirigidos que representan relaciones entre usuarios, roles y permisos. A partir de este modelo definimos métricas cuantitativas para la medición de la superficie de ataque identitaria y para el análisis de caminos de escalamiento de privilegios. A continuación presentamos un mecanismo de detección de anomalías basado en vectores conductuales multidimensionales y distancia de Mahalanobis, aplicado a eventos de autenticación recolectados a gran escala. Este mecanismo permite identificar abuso de cuentas válidas con baja tasa de falsos positivos, incluso en entornos con miles de identidades y múltiples proveedores de identidad. Complementariamente, describimos un framework operacional que integra herramientas ampliamente utilizadas en entornos corporativos —incluidos proveedores de identidad federados, mecanismos de políticas basados en Open Policy Agent, análisis de logs en Elastic Stack y modelado de grafos en Neo4j— permitiendo la evaluación continua del privilegio efectivo y la reducción automatizada de permisos excesivos. La evaluación experimental se llevó a cabo en un entorno corporativo simulado que contenía más de doce mil identidades y millones de eventos de autenticación. Los resultados indican una reducción significativa del tiempo medio de detección de abuso de credenciales, además de una disminución sustancial de privilegios excesivos. El estudio demuestra que la integración entre modelado formal, análisis conductual y automatización operacional constituye un enfoque eficaz para fortalecer la seguridad identitaria en arquitecturas zero trust y entornos híbridos contemporáneos.

2008-07-22Read paper →AI Security

TÍTULO: Arquitectura Integrada de Defensa para Sistemas Basados en Inteligencia Artificial: Modelado Formal de Amenazas, Detección de Ataques Adversariales y Monitoreo Operacional en Entornos de Producción

TÍTULO: Arquitectura Integrada de Defensa para Sistemas Basados en Inteligencia Artificial: Modelado Formal de Amenazas, Detección de Ataques Adversariales y Monitoreo Operacional en Entornos de Producción RESUMEN: La adopción de sistemas basados en aprendizaje automático en entornos corporativos ha transformado los modelos de inteligencia artificial en componentes críticos de la toma de decisiones operacionales. Estos sistemas han pasado a actuar en detección de fraude, clasificación de malware, triaje médico asistido por imágenes, sistemas de recomendación y análisis conductual en plataformas digitales. Sin embargo, a diferencia del software tradicional, los modelos de aprendizaje son funciones paramétricas entrenadas a partir de datos, lo que introduce superficies de ataque adicionales asociadas con la manipulación de entradas, la contaminación del proceso de entrenamiento y la explotación de interfaces de inferencia. La literatura reciente documenta múltiples clases de ataques contra sistemas de aprendizaje automático, incluidos ejemplos adversariales, envenenamiento de datos, extracción de modelos e inferencia de miembros. Paralelamente, la integración de estos sistemas en pipelines DevOps e infraestructuras basadas en contenedores introduce riesgos adicionales relacionados con la cadena de suministro de software y modelos. Este trabajo propone una arquitectura integrada de defensa para sistemas de inteligencia artificial desplegados en producción, combinando modelado formal de amenazas, mecanismos estadísticos de detección de anomalías, verificación criptográfica de integridad y monitoreo operacional continuo. Formalizamos el concepto de riesgo adversarial agregado como una función de probabilidades condicionales asociadas a diferentes clases de ataques bajo un modelo parametrizado de adversario. A continuación, introducimos un detector híbrido basado en la distancia de Mahalanobis y el algoritmo Isolation Forest aplicado a representaciones latentes del modelo. Complementariamente, proponemos un mecanismo de verificación de integridad que combina hashing criptográfico, firma digital y pruebas comportamentales basadas en divergencia de distribución de salida. La arquitectura se integra en un pipeline operacional basado en Kubernetes, con telemetría correlacionada con técnicas descritas en marcos como MITRE ATT&CK y MITRE ATLAS. Evaluaciones experimentales en escenarios controlados indican un aumento consistente de la robustez empírica frente a ataques de evasión y una mejora en la detección de alteraciones no autorizadas en artefactos del modelo. El análisis también evidencia impactos moderados en la latencia cuando los mecanismos de defensa se dimensionan adecuadamente. Los resultados sugieren que los enfoques que combinan controles criptográficos, análisis estadístico y monitoreo operacional ofrecen una vía pragmáticamente viable para aumentar la seguridad de sistemas de inteligencia artificial desplegados en producción.

2008-07-15Read paper →AI Security

TÍTULO: Arquitectura Operacional para la Seguridad de Sistemas de Inteligencia Artificial: Modelado de Amenazas, Defensa en Profundidad y Evaluación Empírica en Entornos Críticos

TÍTULO: Arquitectura Operacional para la Seguridad de Sistemas de Inteligencia Artificial: Modelado de Amenazas, Defensa en Profundidad y Evaluación Empírica en Entornos Críticos RESUMEN: La rápida incorporación de sistemas de inteligencia artificial (IA) en infraestructuras críticas ha introducido nuevas clases de vulnerabilidades que no son plenamente capturadas por los modelos tradicionales de seguridad de la información. A diferencia del software determinista, los modelos de aprendizaje automático dependen fuertemente de los datos de entrenamiento y de las distribuciones estadísticas, lo que crea superficies de ataque asociadas a la manipulación de datos, la explotación de interfaces de inferencia y el compromiso de la cadena de suministro de datos. Este trabajo propone una arquitectura operativa para la protección de sistemas de IA basada en principios de defensa en profundidad, integrando modelado formal de amenazas, mecanismos estadísticos de detección de manipulación de datos y controles operativos integrados en centros de operaciones de seguridad (SOC). Inicialmente formalizamos un modelo matemático para caracterizar propiedades deseables de seguridad en pipelines de aprendizaje supervisado, incluida la integridad estadística de los datos y la confidencialidad paramétrica de los modelos. A continuación, introducimos mecanismos de detección de envenenamiento de datos basados en la divergencia de Kullback–Leibler y el análisis de influencia de muestras, combinados con estrategias de limitación adaptativa de consultas para mitigar ataques de extracción de modelos. La arquitectura propuesta integra controles de seguridad en el ciclo completo de vida de los modelos de IA, incluyendo ingestión de datos, entrenamiento, empaquetado e implantación en entornos orquestados. La implementación experimental utiliza una pila tecnológica contemporánea compuesta por Kubernetes, PyTorch, MLflow, Suricata e integración con SIEM corporativo. Evaluamos empíricamente el enfoque en un entorno de laboratorio que representa infraestructura crítica, utilizando datasets públicos de seguridad y escenarios adversariales controlados. Los resultados indican una reducción significativa en la eficacia de ataques adversariales y de extracción de modelos, con un impacto operacional moderado en términos de latencia y consumo de recursos computacionales. Un estudio de caso en un escenario de detección antifraude demuestra la viabilidad de la arquitectura en contextos operativos reales. Asimismo, discutimos las implicaciones para la gobernanza de la IA y su alineación con marcos normativos emergentes, como el NIST AI Risk Management Framework. Los resultados sugieren que los mecanismos estadísticos combinados con controles operativos tradicionales constituyen una estrategia eficaz para reducir los riesgos asociados con la creciente adopción de IA en entornos críticos.

2008-07-08Read paper →AI Security

Arquitectura Operativa para la Seguridad de Sistemas de Inteligencia Artificial: Modelado de Amenazas, Defensa en Profundidad y Evaluación Empírica en Entornos Críticos

TITLE: Arquitectura Operativa para la Seguridad de Sistemas de Inteligencia Artificial: Modelado de Amenazas, Defensa en Profundidad y Evaluación Empírica en Entornos Críticos ABSTRACT: La rápida incorporación de sistemas de inteligencia artificial (IA) en infraestructuras críticas ha introducido nuevas clases de vulnerabilidades que no son capturadas plenamente por los modelos tradicionales de seguridad de la información. A diferencia del software determinista, los modelos de aprendizaje automático dependen fuertemente de los datos de entrenamiento y de distribuciones estadísticas, creando superficies de ataque asociadas con la manipulación de datos, la explotación de interfaces de inferencia y el compromiso de la cadena de suministro de datos. Este trabajo propone una arquitectura operativa para la protección de sistemas de IA basada en principios de defensa en profundidad, integrando modelado formal de amenazas, mecanismos estadísticos de detección de manipulación de datos y controles operativos integrados a centros de operaciones de seguridad (SOC). Inicialmente formalizamos un modelo matemático para caracterizar propiedades deseables de seguridad en pipelines de aprendizaje supervisado, incluida la integridad estadística de los datos y la confidencialidad paramétrica de los modelos. A continuación introducimos mecanismos de detección de envenenamiento de datos basados en la divergencia de Kullback–Leibler y en el análisis de influencia de muestras, combinados con estrategias de limitación adaptativa de consultas para mitigar ataques de extracción de modelos. La arquitectura propuesta integra controles de seguridad en el ciclo completo de vida de los modelos de IA, incluida la ingestión de datos, el entrenamiento, el empaquetado y el despliegue en entornos orquestados. La implementación experimental utiliza una pila tecnológica contemporánea compuesta por Kubernetes, PyTorch, MLflow, Suricata e integración con SIEM corporativo. Evaluamos empíricamente el enfoque en un entorno de laboratorio que representa infraestructura crítica, utilizando datasets públicos de seguridad y escenarios adversariales controlados. Los resultados indican una reducción significativa en la eficacia de ataques adversariales y de extracción de modelos, con un impacto operacional moderado en términos de latencia y consumo de recursos computacionales. Un estudio de caso en un escenario de detección antifraude demuestra la viabilidad de la arquitectura en contextos operacionales reales. Asimismo, discutimos implicaciones para la gobernanza de la IA y su alineación con marcos normativos emergentes, como el NIST AI Risk Management Framework. Los resultados sugieren que los mecanismos estadísticos combinados con controles operativos tradicionales constituyen una estrategia eficaz para reducir los riesgos asociados con la adopción creciente de la IA en entornos críticos.

2008-07-08Read paper →AI Security

TÍTULO: ARQUITECTURA OPERATIVA PARA LA SEGURIDAD DE SISTEMAS DE INTELIGENCIA ARTIFICIAL: MODELADO DE AMENAZAS, DEFENSA EN PROFUNDIDAD Y EVALUACIÓN EMPÍRICA EN ENTORNOS CRÍTICOS

TÍTULO: ARQUITECTURA OPERATIVA PARA LA SEGURIDAD DE SISTEMAS DE INTELIGENCIA ARTIFICIAL: MODELADO DE AMENAZAS, DEFENSA EN PROFUNDIDAD Y EVALUACIÓN EMPÍRICA EN ENTORNOS CRÍTICOS RESUMEN: ARQUITECTURA OPERATIVA PARA LA SEGURIDAD DE SISTEMAS DE INTELIGENCIA ARTIFICIAL: MODELADO DE AMENAZAS, DEFENSA EN PROFUNDIDAD Y EVALUACIÓN EMPÍRICA EN ENTORNOS CRÍTICOS RESUMEN: ARQUITECTURA OPERATIVA PARA LA SEGURIDAD DE SISTEMAS DE INTELIGENCIA ARTIFICIAL: MODELADO DE AMENAZAS, DEFENSA EN PROFUNDIDAD Y EVALUACIÓN EMPÍRICA EN ENTORNOS CRÍTICOS Resumen: La rápida integración de sistemas de inteligencia artificial (IA) en infraestructuras críticas ha introducido una nueva clase de vulnerabilidades que los modelos convencionales de seguridad de la información no logran capturar adecuadamente. A diferencia del software determinista, los modelos de aprendizaje automático dependen fuertemente de los datos de entrenamiento y de las distribuciones estadísticas, creando superficies de ataque relacionadas con la adulteración de datos, el abuso de interfaces de inferencia y el compromiso de la cadena de suministro de datos. Este estudio propone una arquitectura operativa para proteger sistemas de IA basada en el principio de Defensa en Profundidad, integrando modelado formal de amenazas, mecanismos estadísticos para detectar adulteración de datos y controles operativos integrados a un Centro de Operaciones de Seguridad (SOC). En primer lugar, formalizamos un modelo matemático que caracteriza las propiedades de seguridad deseadas en pipelines de aprendizaje supervisado, a saber, la integridad estadística de los datos y la confidencialidad paramétrica de los modelos. A continuación, introducimos un mecanismo de detección de data poisoning basado en la divergencia de Kullback–Leibler y en el análisis de influencia de muestras, combinado con una estrategia adaptativa de limitación de la tasa de consultas para mitigar ataques de extracción de modelos. La arquitectura propuesta integra controles de seguridad a lo largo de todo el ciclo de vida de los modelos de IA, incluyendo la ingestión de datos, el entrenamiento, el empaquetado y la implantación en entornos de orquestación. La implementación utiliza una pila tecnológica moderna compuesta por Kubernetes, PyTorch, MLflow, Suricata e integración con un SIEM corporativo. Evaluamos empíricamente este enfoque en un entorno de laboratorio representativo de infraestructura crítica, utilizando conjuntos de datos públicos de seguridad y escenarios adversariales controlados. Los resultados mostraron una reducción sustancial en la efectividad de ataques adversariales y de ataques de extracción de modelos, con un impacto operativo moderado en términos de latencia y consumo de recursos computacionales. Un estudio de caso en un escenario de detección de fraudes demuestra la viabilidad de la arquitectura en un entorno operativo. También discutimos implicaciones para la gobernanza de la IA y la alineación con marcos normativos emergentes, como el NIST AI Risk Management Framework. Estos resultados sugieren que la combinación de mecanismos estadísticos con controles operativos convencionales es una estrategia eficaz para reducir los riesgos asociados con la creciente adopción de IA en entornos críticos.

2008-07-08Read paper →AI Security

TÍTULO: Una Arquitectura Integrada de Seguridad para Sistemas de Inteligencia Artificial: Modelado Formal de Amenazas, Detección de Ataques Adversariales y Hardening Operacional en Entornos Corporativos

TÍTULO: Una Arquitectura Integrada de Seguridad para Sistemas de Inteligencia Artificial: Modelado Formal de Amenazas, Detección de Ataques Adversariales y Hardening Operacional en Entornos Corporativos RESUMEN: La rápida incorporación de sistemas de Inteligencia Artificial (IA) en infraestructuras corporativas críticas introdujo una nueva clase de riesgos de seguridad que trasciende los modelos tradicionales de defensa cibernética. Los modelos de aprendizaje profundo, los servicios de inferencia expuestos vía API y, más recientemente, los Large Language Models (LLMs) pasaron a integrar pipelines operacionales responsables de decisiones sensibles, incluyendo detección de fraude, clasificación automatizada y respuesta a incidentes. Sin embargo, investigaciones recientes demuestran que tales sistemas presentan vulnerabilidades estructurales, incluyendo ataques adversariales, extracción de modelo, inferencia de pertenencia y envenenamiento de datos. Además, el ecosistema operacional que sustenta aplicaciones de IA permanece sujeto a amenazas tradicionales de infraestructura, ampliando la superficie de ataque. En este trabajo proponemos una arquitectura integrada de seguridad para sistemas de IA que combina modelado formal de amenazas, mecanismos de detección de ataques adversariales y prácticas de hardening operacional orientadas a entornos corporativos. En primer lugar, desarrollamos un modelo de amenaza unificado que integra las taxonomías MITRE ATT&CK y MITRE ATLAS, permitiendo mapear vectores de ataque específicos de aprendizaje automático dentro de frameworks consolidados de defensa cibernética. A continuación, formalizamos el problema de robustez adversarial bajo una perspectiva de optimización min–max e introducimos un mecanismo de detección basado en entropía de salida y estimación de dimensionalidad intrínseca local para identificar entradas potencialmente adversariales en tiempo de inferencia. La arquitectura propuesta también incorpora monitoreo de drift estadístico, validación de integridad del pipeline de datos e integración con plataformas SIEM para respuesta operacional. La implementación se realizó utilizando PyTorch, Suricata, Elastic Stack e infraestructura Kubernetes, reflejando prácticas ampliamente adoptadas en entornos corporativos hasta 2023. La evaluación experimental fue conducida en escenarios de visión computacional y detección de intrusión utilizando los conjuntos de datos CIFAR‑10 y UNSW‑NB15. Los resultados indican una mejora sustancial en la robustez frente a ataques FGSM y PGD, así como una reducción significativa en el tiempo medio de respuesta operacional en centros de operaciones de seguridad (SOC). Los resultados sugieren que los enfoques aislados de robustez adversarial son insuficientes y que la seguridad de IA debe ser tratada como un problema sistémico que integra métodos matemáticos, ingeniería de software segura y monitoreo continuo de infraestructura.

2008-07-01Read paper →DevSecOps

TÍTULO: Arquitectura DevSecOps orientada por riesgo con correlación multietapa basada en MITRE ATT&CK y evidencias empíricas en pipelines CI/CD nativos en la nube

TÍTULO: Arquitectura DevSecOps orientada por riesgo con correlación multietapa basada en MITRE ATT&CK y evidencias empíricas en pipelines CI/CD nativos en la nube RESUMEN: La creciente adopción de arquitecturas nativas en la nube y de pipelines CI/CD altamente automatizados ha ampliado significativamente la superficie de ataque asociada al ciclo de vida de desarrollo de software. Incidentes ampliamente documentados, incluidos compromisos de la cadena de suministro y la explotación de vulnerabilidades ampliamente distribuidas, demuestran que los controles de seguridad aislados son insuficientes cuando no se integran con mecanismos de priorización contextual y correlación conductual. En este trabajo presentamos una arquitectura DevSecOps orientada por riesgo que integra análisis estático de código, análisis de dependencias, generación y verificación de SBOM, validación de infraestructura como código, detección conductual en tiempo de ejecución y un motor formal de cálculo de riesgo contextual. La arquitectura utiliza el framework MITRE ATT&CK como ontología para la correlación multietapa de eventos a lo largo de todo el pipeline de desarrollo y ejecución. Realizamos un análisis crítico de las limitaciones de los enfoques basados exclusivamente en CVSS, demostrando que la ausencia de contextualización operacional conduce con frecuencia a una priorización inadecuada de vulnerabilidades y a la fatiga de alertas. Proponemos una formulación matemática del riesgo como función compuesta de la probabilidad de explotación estimada por EPSS, el impacto técnico normalizado y factores dinámicos de exposición operacional. Introducimos definiciones formales de adversario, propiedades de corrección del mecanismo de bloqueo de builds y un modelo probabilístico de correlación entre técnicas adversarias. La arquitectura fue implementada en un entorno Kubernetes utilizando GitLab CI, SonarQube, Semgrep, Trivy, Syft, Grype, OWASP ZAP, Falco, Suricata y Open Policy Agent. Evaluamos empíricamente el sistema durante seis meses en un conjunto de microservicios corporativos distribuidos en dos dominios organizacionales distintos. Los resultados indican una reducción consistente en el tiempo medio de remediación, una disminución relativa de falsos positivos y un impacto operacional limitado en el tiempo total de build. Los resultados empíricos sugieren que la integración entre modelado formal de riesgo, inteligencia de amenazas y automatización de políticas puede mejorar significativamente la eficacia operativa de los programas DevSecOps en entornos nativos en la nube.

2008-06-24Read paper →DevSecOps

TÍTULO: Arquitectura DevSecOps Orientada al Riesgo con Correlación Multietapa Basada en MITRE ATT&CK y Evidencias Empíricas en Pipelines CI/CD Nativos en la Nube

TÍTULO: Arquitectura DevSecOps Orientada al Riesgo con Correlación Multietapa Basada en MITRE ATT&CK y Evidencias Empíricas en Pipelines CI/CD Nativos en la Nube RESUMEN: La creciente adopción de arquitecturas nativas en la nube y pipelines CI/CD altamente automatizados ha ampliado significativamente la superficie de ataque asociada al ciclo de vida del desarrollo de software. Incidentes ampliamente documentados, incluidos compromisos de la cadena de suministro y la explotación de vulnerabilidades ampliamente distribuidas, demuestran que los controles de seguridad aislados son insuficientes cuando no se integran con mecanismos de priorización contextual y correlación conductual. En este trabajo presentamos una arquitectura DevSecOps orientada al riesgo que integra análisis estático de código, análisis de dependencias, generación y verificación de SBOM, validación de infraestructura como código, detección conductual en tiempo de ejecución y un motor formal de cálculo de riesgo contextual. La arquitectura utiliza el framework MITRE ATT&CK como ontología para la correlación multietapa de eventos a lo largo de todo el pipeline de desarrollo y ejecución. Realizamos un análisis crítico de las limitaciones de los enfoques basados exclusivamente en CVSS, demostrando que la ausencia de contextualización operacional con frecuencia conduce a una priorización inadecuada de vulnerabilidades y a la fatiga de alertas. Proponemos una formulación matemática del riesgo como función compuesta de la probabilidad de explotación estimada por EPSS, el impacto técnico normalizado y factores dinámicos de exposición operacional. Introducimos definiciones formales de adversario, propiedades de corrección del mecanismo de bloqueo de builds y un modelo probabilístico de correlación entre técnicas adversarias. La arquitectura fue implementada en un entorno Kubernetes utilizando GitLab CI, SonarQube, Semgrep, Trivy, Syft, Grype, OWASP ZAP, Falco, Suricata y Open Policy Agent. Evaluamos empíricamente el sistema durante seis meses en un conjunto de microservicios empresariales distribuidos en dos dominios organizacionales distintos. Los resultados indican una reducción consistente en el tiempo medio de remediación, una disminución relativa de falsos positivos y un impacto operacional limitado en el tiempo total de build. Los resultados empíricos sugieren que la integración entre modelado formal de riesgo, inteligencia de amenazas y automatización de políticas puede mejorar significativamente la eficacia operacional de los programas DevSecOps en entornos nativos en la nube.

2008-06-24Read paper →