Investigadores desarrollaron una metodología de inteligencia artificial para fortalecer la detección de ciberataques en infraestructuras esenciales de internet. El proyecto, denominado 3MuViS, busca identificar amenazas mediante el análisis conjunto de distintas señales generadas por las redes, en lugar de depender de una sola clase de información.
La investigación fue presentada como 3-Phase Multi-View Stacking: A Model Selection Algorithm for Multi-View Fusion. Su objetivo es trabajar con entornos como los proveedores de servicios de internet, los puntos de intercambio de tráfico, los proveedores de tránsito y las redes de dispositivos conectados a internet, conocidas como IoT.
Una lectura más amplia del comportamiento de la red
Cada conexión produce datos diferentes. Entre ellos se encuentran las características del tráfico, las estadísticas de comunicación y la manera en que se comportan los equipos conectados. Los sistemas convencionales pueden concentrarse en una sola de esas representaciones, lo que dificulta reconocer patrones asociados con ataques más complejos.
El enfoque utilizado por 3MuViS pertenece al llamado aprendizaje multivista. La metodología observa varias perspectivas de un mismo evento y después combina los resultados de distintos modelos de IA para producir una evaluación conjunta. De acuerdo con la explicación del proyecto, esta integración aprovecha la información complementaria de cada fuente.
- Tráfico de red: permite revisar las características de las conexiones.
- Comunicación: incorpora estadísticas sobre el intercambio de datos.
- Dispositivos: considera patrones de comportamiento de los equipos conectados.
Selección automática de modelos
La aportación central del proyecto es un algoritmo de tres fases que automatiza la elección de los modelos de inteligencia artificial más adecuados para cada conjunto de información. Después, el sistema combina esas perspectivas mediante una técnica conocida como apilamiento de múltiples vistas.
| Elemento | Función descrita |
|---|---|
| 3MuViS | Selecciona modelos para distintas fuentes de datos. |
| Aprendizaje multivista | Analiza varias representaciones de un mismo evento. |
| Apilamiento | Integra las evaluaciones para generar una decisión conjunta. |
La investigación parte de que la digitalización ha ampliado la superficie de ataque para organizaciones y servicios conectados. Un incidente puede interrumpir la operación de hospitales, instituciones financieras, servicios públicos o proveedores de internet. Por ello, el proyecto plantea una herramienta destinada a examinar grandes volúmenes de información y apoyar la identificación de amenazas dentro de redes críticas.
Los resultados reportados por los investigadores muestran que la combinación de varias vistas puede mejorar la capacidad para reconocer ataques frente al análisis aislado de cada fuente. El trabajo se enfoca en la selección y fusión de modelos de IA; su aplicación está dirigida a sistemas de monitoreo de redes, proveedores de conectividad y entornos con dispositivos conectados.