ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

INVESTIGACIÓN

Aplicación de modelos de inteligencia

articial para la detección de malware

en infraestructuras críticas de

telecomunicaciones

Implementing articial intelligence

models for malware detection in critical

telecommunications infrastructures

Ing. Elizabeth Molina Mena*, Ing. Heidy Rodríguez Malvares²,

M.Sc. Henry Raúl González Brito

Recibido: 11/2025 | Aceptado: 11/2025 | Publicado: 12/2025

Resumen

El avance acelerado de la digitalización y la interconexión glo-

bal ha incrementado la exposición de las infraestructuras críticas

de telecomunicaciones a diversas amenazas cibernéticas, entre las

cuales el malware representa una de las más persistentes y dañinas.

En este contexto, la aplicación de modelos de inteligencia articial

(IA) para la detección temprana de software malicioso se ha conver-

tido en una estrategia clave para garantizar la resistencia, la dispo-

nibilidad y la continuidad de los servicios esenciales. Este artículo

analiza los principales enfoques basados en aprendizaje automático

y aprendizaje profundo empleados en la identicación de malware,

Dirección de Seguridad Informática, Universidad de las Ciencias Informáticas.

elizabethmm@uci.cu

Departamento de Infraestructuras Tecnológicas, Facultad de Ciberseguridad,

Universidad de las Ciencias Informáticas. heidyrm@uci.cu

Dirección de Seguridad Informática, Universidad de las Ciencias Informáticas.

henryraul@uci.cu

pp. 96 - 109

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

con énfasis en su implementación dentro de entornos de telecomuni-

caciones críticos.

Se revisan técnicas clásicas como Support Vector Machines

(SVM) y Random Forest, así como arquitecturas avanzadas de re-

des neuronales, incluyendo Convolutional Neural Networks (CNN),

Long Short-Term Memory (LSTM) y Graph Neural Networks (GNN).

La metodología se centra en una revisión sistemática de la literatura

reciente y un análisis comparativo de modelos según métricas de

rendimiento, capacidad de generalización y consumo de recursos

computacionales. Los resultados muestran que los modelos híbridos

basados en aprendizaje profundo y técnicas de análisis de ujo de

red logran tasas de detección superiores al 98 % con una reducción

signicativa de falsos positivos. Por último, se discuten los desafíos

actuales y las perspectivas futuras para la integración de IA en la ci-

berdefensa de infraestructuras críticas, y se destaca la importancia

de la explicabilidad, la detección de amenazas desconocidas y la co-

laboración entre operadores e instituciones de investigación.

Palabras clave: inteligencia articial, detección de malware,

infraestructuras críticas, telecomunicaciones, ciberseguridad

Abstract

The rapid advance of digitization and global interconnection has

made critical telecommunications infrastructure more vulnerable to va-

rious cyber threats, among which, malware is one of the most persistent

and damaging. In this context, implementing Articial Intelligence (AI)

models to detect malicious software early on has become a key strate-

gy for ensuring the resilience, availability, and continuity of essential

services. This article analyzes the primary machine learning and deep

learning approaches used for malware identication, focusing on their

implementation in critical telecommunications environments. Classical

techniques such as Support Vector Machines (SVM) and Random Forest

are reviewed, as well as advanced neural network architectures, inclu-

ding Convolutional Neural Networks (CNN), Long Short-Term Memory

(LSTM), and Graph Neural Networks (GNN). The methodology focuses

on a systematic review of recent literature and a comparative analysis

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

pp. 96 - 109

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

of models based on performance metrics, generalization capability, and

computational resource consumption. Results indicate that hybrid mo-

dels combing deep learning and network ow analysis techniques can

achieve 98% rates detection with a signicantly fewer false positive. Fi-

nally, current challenges and future perspectives for the integration of

AI into the cyber defense of critical infrastructures are discussed, hi-

ghlighting the importance of explainability, unknown threat detection,

and collaboration between Telcos carriers and research institutions.

Keywords: Articial Intelligence, malware detection, critical in-

frastructures, telecommunications, cybersecurity

Introducción

Las infraestructuras críticas de telecomunicaciones constituyen el

núcleo de los sistemas de comunicación modernos, que facilitan los

servicios esenciales para el funcionamiento de gobiernos, empresas

y ciudadanos. Estas infraestructuras abarcan redes de transmisión,

centros de datos, sistemas de conmutación y plataformas de gestión

que garantizan la conectividad nacional e internacional. Sin embargo,

su creciente complejidad y dependencia de software las convierten

en un objetivo prioritario para los ciberatacantes (García-Teodoro et

al., 2023).

El malware (término que engloba a virus, troyanos, ransomware,

spyware y rootkits) ha evolucionado en sosticación, empleando

técnicas de evasión como ofuscación de código, polimorsmo y living-

o-the-land (LOTL), esto diculta su detección por mecanismos tra-

dicionales basados en rmas (Alasmary et al., 2022). En respuesta a

esta problemática, la inteligencia articial (IA) se ha posicionado como

una herramienta fundamental para la identicación automatizada de

patrones anómalos y la detección de amenazas emergentes en tiempo

real (Sgandurra & Lupu, 2020).

El aprendizaje automático (Machine Learning, ML) y el aprendi-

zaje profundo (Deep Learning, DL) han demostrado un potencial no-

table en la clasicación de malware a partir de grandes volúmenes de

datos, extrayendo características tanto estáticas (del código binario)

como dinámicas (del comportamiento en ejecución). Estos modelos

pp. 96 - 109 pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

aprenden representaciones complejas que identican variantes nue-

vas o desconocidas, incluso en escenarios de ataques dirigidos con-

tra infraestructuras críticas (Ucci, Aniello & Baldoni, 2019).

El presente artículo tiene como objetivo analizar la aplicación de

modelos de inteligencia articial en la detección de malware dentro de

sectores estratégicos de telecomunicaciones. Se aborda el problema

desde una perspectiva técnico-cientíca, y combina el estudio de al-

goritmos, técnicas de extracción de características, y el contexto ope-

rativo de las redes de telecomunicaciones. Además, se examinan los

desafíos asociados a la interpretabilidad de los modelos, la gestión de

grandes volúmenes de datos y la integración con sistemas de seguri-

dad existentes como los Security Information and Event Management

(SIEM) y los Intrusion Detection Systems (IDS).

Este trabajo se estructura de la siguiente manera: en la sección de

Materiales y Métodos se describe la metodología empleada para la

revisión sistemática y la clasicación de modelos de IA; en Resulta-

dos y Discusión se analizan los hallazgos principales y su aplicabi-

lidad en entornos reales; y, en Conclusiones se resumen los aportes

expuestos y se plantean futuras líneas de investigación orientadas

al fortalecimiento de la ciberresiliencia en el sector de las teleco-

municaciones.

Materiales y métodos

Para la elaboración de este estudio sobre la aplicación de modelos

de inteligencia articial en la detección de malware en infraestruc-

turas críticas de telecomunicaciones, se adoptó una metodología de

revisión sistemática y análisis comparativo de enfoques existentes,

complementada con una caracterización de los modelos más repre-

sentativos implementados en entornos reales de telecomunicaciones.

Fuentes de información y criterios de selección

La búsqueda bibliográca se realizó en bases de datos cientí-

cas de alto impacto como IEEE Xplore, SpringerLink, ScienceDirect,

ACM Digital Library y Scopus, utilizando combinaciones de pala-

bras clave como «AI-based malware detection», «deep learning for

cyber defense», «critical infrastructure protection», y «telecommu-

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

100

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

nication cybersecurity».

Se establecieron los siguientes criterios de inclusión:

• Publicaciones revisadas por pares entre 2018 y 2025.

• Estudios enfocados en detección o clasicación de malware

mediante IA.

• Investigaciones aplicadas a infraestructuras críticas o redes

de telecomunicaciones.

• Trabajos que reportaran métricas de rendimiento cuantitati-

vas (precisión, recall, F1-score o tasa de falsos positivos).

Asimismo, se excluyeron estudios con conjuntos de datos no veri-

cables o con modelos sin reproducibilidad documentada. En total,

se revisaron 96 publicaciones cientícas, de las cuales 38 cumplieron

los criterios establecidos y fueron incluidas en el análisis principal.

Metodología de análisis

La metodología adoptada se estructuró en tres fases:

1. Revisión sistemática de literatura: se empleó el protoco-

lo PRISMA (Preferred Reporting Items for Systematic Reviews and

Meta-Analyses) para identificar y filtrar los estudios relevantes. La

búsqueda inicial generó 327 resultados, que se redujeron tras la

aplicación de los filtros de calidad, año y ámbito de aplicación.

2. Clasicación de modelos de IA: los modelos se agruparon se-

gún su naturaleza algorítmica en cuatro categorías principales:

• Modelos clásicos de ML: SVM, Decision Trees, Random Forest,

Naïve Bayes, KNN.

• Modelos de DL: CNN, RNN, LSTM, Autoencoders, GNN.

• Modelos híbridos: combinaciones de ML y DL, como CNN+SVM

o Autoencoder+Random Forest.

• Modelos de detección basados en ujo de red y análisis de com-

portamiento, especialmente en entornos 5G y SDN (Software

Dened Networking).

3. Evaluación comparativa: se analizaron las métricas de rendi-

miento de los modelos, comparando precisión, sensibilidad y tiem-

po de inferencia. Se utilizó un esquema de ponderación basado en

la media geométrica de las métricas de precisión y recall, para de-

terminar la eciencia relativa de cada modelo (Zhang et al., 2022).

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

101

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

Infraestructuras críticas y contexto de aplicación

En el ámbito de las telecomunicaciones, las infraestructuras crí-

ticas comprenden redes troncales de bra óptica, sistemas de seña-

lización SS7 y SIP, nodos de conmutación, estaciones base, routers

de backbone y plataformas de virtualización de funciones de red

(NFV). Estas infraestructuras soportan servicios esenciales como te-

lefonía, datos, radiocomunicación y redes satelitales (ENISA, 2023).

Debido a su carácter estratégico y dependencia intersectorial,

un ataque de malware puede generar efectos en cascada sobre ser-

vicios energéticos, nancieros y gubernamentales (CISA, 2022). Por

ello, la detección temprana de anomalías mediante IA se considera

un componente esencial de la ciberresiliencia operacional (Shaq

et al., 2020).

Modelos de aprendizaje automático empleados

Los algoritmos clásicos de aprendizaje supervisado como Support

Vector Machine (SVM) y Random Forest (RF) han mostrado un buen

rendimiento en la detección de malware mediante la extracción de

características estáticas (Permana et al., 2020).

SVM se destaca por su capacidad para separar clases con márgenes

óptimos, mientras que RF ofrece robustez ante sobreajuste al combi-

nar múltiples árboles de decisión.

Sin embargo, los modelos de aprendizaje profundo han superado

estos resultados en escenarios de detección de comportamiento di-

námico. Las Convolutional Neural Networks (CNN) han sido aplica-

das con éxito al análisis de secuencias de bytes y a la identicación

de patrones binarios de malware (Kolosnjaji et al., 2018), mientras

que las Long Short-Term Memory (LSTM) destacan en la detección de

comportamientos maliciosos en tiempo real en ujos de red (Pektaş

& Acarman, 2020).

Por su parte, los Autoencoders y las Graph Neural Networks (GNN)

son empleados para la detección de anomalías sin supervisión, apren-

den representaciones de alta dimensión de tráco normal y detectan

desviaciones signicativas (Wang et al., 2022).

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

102

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

Datos y entornos de experimentación

Las bases de datos más utilizadas en los estudios revisados fueron:

• EMBER Dataset (Endgame Malware Benchmark for Research).

• CICIDS2017 y CSE-CIC-IDS2018 (datasets de tráco de red).

• VirusShare y Microsoft Malware Classication Challenge (BIG

2015) para análisis estático.

• NSL-KDD y TON_IoT datasets, relevantes en redes IoT y 5G.

Implementación y herramientas utilizadas

La revisión evidenció que los entornos más empleados para

la experimentación son Python con TensorFlow, Keras, PyTorch

y Scikit-learn, junto con plataformas de orquestación en la nube

como Google Colab, AWS SageMaker y Azure ML. En investigaciones

centradas en entornos críticos, los modelos fueron desplegados so-

bre redes SDN mediante mininet y OpenDaylight, con soporte para

análisis en tiempo real (Al-Yaseen et al., 2020).

Limitaciones del estudio

Aunque el análisis ofrece una visión global, se identican algu-

nas limitaciones:

• Escasez de estudios centrados especícamente en redes troncales

y sistemas de señalización.

• Falta de disponibilidad de datasets especícos de telecomuni-

caciones críticas.

• Dicultad para reproducir algunos resultados debido a la con-

dencialidad de los datos.

• Carencia de modelos explicables que permitan interpretar las

decisiones de los algoritmos ante incidentes complejos.

Resultados y discusión

Los resultados de la revisión sistemática y del análisis comparati-

vo de modelos de IA aplicados a la detección de malware en infraes-

tructuras críticas de telecomunicaciones, evidencian la evolución

sostenida de los métodos de detección hacia enfoques basados en

aprendizaje profundo y detección contextual adaptativa. En esta sec-

ción se presentan los hallazgos principales, organizados según el tipo

de modelo, su rendimiento, las métricas utilizadas y las implicaciones

prácticas en el contexto de las redes de telecomunicaciones.

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

103

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

1. Rendimiento de los modelos de aprendizaje automático

Los modelos de aprendizaje automático clásico (SVM, Random

Forest, Naïve Bayes, Decision Tree) siguen siendo competitivos en

escenarios donde la detección de malware depende de características

estáticas extraídas de archivos ejecutables o del análisis de cabeceras

de tráco. Según Permana et al. (2020), Random Forest alcanzó pre-

cisiones del 95,6 % en la clasicación de malware, mientras que SVM

logró un rendimiento similar con tiempos de inferencia inferiores.

Sin embargo, su capacidad de detección disminuye ante mues-

tras de malware polimórco o metamórco, así como en escenarios

con tráco cifrado o técnicas avanzadas de evasión. En el contexto

de redes de telecomunicaciones críticas, donde los ujos son hete-

rogéneos y de alta velocidad, los modelos clásicos tienden a generar

una alta tasa de falsos positivos (FPR > 6 %), lo cual puede saturar

los sistemas de alerta en centros de monitoreo (Cruz et al., 2021).

Por ello, las organizaciones del sector han comenzado a incorpo-

rar modelos híbridos, que combinan la capacidad interpretativa de

los métodos clásicos con la potencia de generalización del aprendi-

zaje profundo.

2. Ecacia de los modelos de aprendizaje profundo

El análisis reveló que los modelos basados en redes neuronales

profundas (DNN, CNN, RNN, LSTM) ofrecen un rendimiento sustan-

cialmente superior en la detección de malware dinámico y en la cla-

sicación de patrones complejos de tráco de red. En particular, las

CNN han sido ampliamente utilizadas para representar el código bi-

nario del malware como una imagen matricial y detectar patrones

maliciosos ocultos.

Kolosnjaji et al. (2018) demostraron que una CNN entrenada sobre

imágenes binarias de ejecutables alcanzó una precisión del 98,4 % en

la detección de familias de malware sin necesidad de desensamblar

el código. Por su parte, LSTM y GRU resultan ecaces en la detec-

ción de comportamientos maliciosos persistentes al capturar rela-

ciones temporales entre eventos en secuencias de tráco (Pektaş &

Acarman, 2020).

Los modelos Autoencoder destacan en la detección de anomalías

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

104

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

mediante reconstrucción de características. Al ser entrenados exclu-

sivamente con tráco legítimo, logran identicar desviaciones con

tasas de precisión superiores al 97 %, lo que reduce de manera signi-

cativa los falsos positivos en entornos de alta disponibilidad (Wang

et al., 2022).

Por otro lado, las GNN y los Transformers se posicionan como mo-

delos emergentes de referencia, capaces de analizar dependencias

estructurales entre nodos de red, identicar ujos coordinados de

ataque y correlacionar alertas entre dominios distribuidos (Hussain

et al., 2023).

La Tabla 1 resume las métricas promedio obtenidas de las prin-

cipales investigaciones revisadas, comparando los modelos según

precisión (accuracy), sensibilidad (recall), y tasa de falsos positivos

(FPR).

Precisión (%) Recall (%) FPR (%)

Tipo de

modelo

Ejemplo de

algoritmo

95.6

94.9

98.4

97.6

97.2

98.9

94.2

92.8

97.2

96.9

95.8

98.1

6.1

5.8

2.3

3.1

2.6

1.9

ML clásico

DL – CNN

DL – LSTM

DL – Autoencoder

GNN / Transformer

Random Forest

SVM

CNN 2D en binarios

Secuencias de tráco

Tráco legímo

Topología de red

Tabla 1. Rendimiento comparativo de modelos de IA en

detección de malware

3. Aplicabilidad en infraestructuras de telecomunicaciones

En redes de telecomunicaciones, los ujos de datos se caracteri-

zan por su alta dimensionalidad, diversidad de protocolos y baja la-

tencia, lo que diculta la detección de comportamientos anómalos

en tiempo real. Los modelos de IA deben adaptarse a este contexto

mediante técnicas de reducción de dimensionalidad y optimización

de inferencia en el borde (edge inference).

Diversas investigaciones (Shaq et al., 2020; Al-Yaseen et al.,

2020) han implementado modelos CNN-LSTM integrados en en-

tornos Software Dened Networking (SDN y han logrado detectar

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

105

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

ataques de tipo botnet, ransomware y denial-of-service en menos de

200 ms de tiempo de respuesta. En modelos mostraron una reduc-

ción del 35 % en la latencia de detección y una mejora del 40 % en

la preparación respecto a métodos convencionales en escenarios ex-

perimentales que simularon infraestructuras de telecomunicaciones

5G.

Asimismo, la combinación de modelos Autoencoder con sistemas

de detección basados en ow analysis permitió aislar comportamien-

tos sospechosos en entornos de virtualización NFV (Network Func-

tion Virtualization), garantizando continuidad operativa y mitigación

proactiva de amenazas (ENISA, 2023).

En el caso de las redes IoT vinculadas a telecomunicaciones, se

evidenció que los modelos GNN son especialmente ecaces al repre-

sentar la topología como un grafo dinámico, identicando relaciones

entre dispositivos comprometidos y eventos coordinados (Zhang et

al., 2022).

4. Ventajas y desafíos de la aplicación de IA

Entre las principales ventajas de los modelos de IA en la detección

de malware destacan:

• Alta precisión en la identicación de amenazas conocidas y des-

conocidas.

• Adaptabilidad ante cambios en los patrones de ataque.

• Capacidad de aprendizaje continuo mediante actualización de

pesos y datasets.

• Reducción de falsos positivos, optimizando los recursos de los

centros de operaciones de seguridad (SOC).

Sin embargo, los desafíos son igualmente signicativos:

• Explicabilidad limitada: la mayoría de los modelos de DL son ca-

jas negras difíciles de interpretar (Goodman & Flaxman, 2017).

• Dependencia de datos etiquetados: la escasez de datasets espe-

cícos de telecomunicaciones limita el entrenamiento de mode-

los especializados.

• Vulnerabilidad ante ataques adversariales, que pueden engañar

a los modelos de IA modicando levemente los patrones de en-

trada (Huang et al., 2021).

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

106

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

• Altos requerimientos computacionales, lo que diculta la imple-

mentación en sistemas en tiempo real con recursos limitados.

5. Integración en sistemas de seguridad de telecomunicaciones

El despliegue de modelos de IA para detección de malware se ha

integrado de manera progresiva en arquitecturas de seguridad exis-

tentes, como los Security Information and Event Management (SIEM)

y los Intrusion Detection Systems (IDS) basados en IA. En entornos

de telecomunicaciones críticas, esta integración requiere una or-

questación inteligente capaz de correlacionar eventos provenientes

de múltiples capas (física, lógica y de aplicación).

Sistemas como IBM QRadar, Splunk y Cisco SecureX han comen-

zado a incorporar módulos de detección basados en aprendizaje

profundo para mejorar la correlación de alertas en redes 5G (CISA,

2022). Estos enfoques híbridos permiten la detección en tiempo real

y la respuesta automatizada, lo que reduce en más del 60 % el tiem-

po medio de detección (MTTD).

Además, se están desarrollando frameworks federados de IA que

posibilitan el entrenamiento de modelos de forma colaborativa entre

operadores de telecomunicaciones sin compartir datos sensibles, lo

que garantiza la privacidad mediante técnicas de aprendizaje fede-

rado (Yang et al., 2019). Este enfoque resulta prometedor para la

defensa colectiva ante ciberataques de gran escala.

Conclusiones

El estudio realizado demuestra que la IA constituye una herra-

mienta esencial para fortalecer la seguridad de las infraestructuras

críticas de telecomunicaciones, y ofrece soluciones de detección

de malware más precisas, adaptativas y escalables que los métodos

tradicionales.

Los resultados comparativos indican que los modelos basados en

aprendizaje profundo, especialmente las CNN, LSTM y GNN, superan

de forma signicativa a los enfoques clásicos de Machine Learning en

términos de precisión, tasa de falsos positivos y capacidad de detec-

ción de amenazas desconocidas. Los modelos híbridos que combinan

análisis estático, dinámico y de ujo de red han mostrado resultados

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

107

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

sobresalientes en entornos de alta criticidad, que alcanzan tasas de

detección superiores al 98 %.

Asimismo, la integración de la IA con sistemas de seguridad exis-

tentes, como los IDS y SIEM, permite la correlación automatizada de

eventos y la respuesta en tiempo real, lo que mejora la capacidad de

detección y mitigación ante ciberataques complejos.

Sin embargo, persisten desafíos relevantes. Entre ellos se destacan

la escasa disponibilidad de datos representativos de infraestructuras

críticas, la interpretabilidad limitada de los modelos de aprendizaje

profundo y la vulnerabilidad ante ataques adversariales, que pueden

manipular las predicciones mediante perturbaciones mínimas en los

datos de entrada. Además, la exigencia computacional de algunos

modelos limita su despliegue en sistemas con recursos restringidos o

en nodos perimetrales.

En consecuencia, se recomienda avanzar hacia el desarrollo de

modelos explicables (XAI) que permitan comprender las decisiones

de los algoritmos, la creación de datasets especícos del sector de

telecomunicaciones y la adopción de enfoques federados que favo-

rezcan el entrenamiento colaborativo entre operadores sin compro-

meter la privacidad de los datos.

La aplicación de IA en la detección de malware no solo representa

una mejora técnica, sino un paso estratégico hacia la ciberresiliencia

integral de las telecomunicaciones, garantizando la continuidad ope-

rativa de los servicios que sustentan la economía digital y la seguri-

dad nacional.

Referencias bibliográcas

Alasmary, W., Alasmary, M., & Alhaidari, F. (2022). AI-based Malware

Detection and Classication: A Survey. Computers & Security, 121,

102856. Elsevier.

https://doi.org/10.1016/j.cose.2022.102856

Al-Yaseen, W. L., Othman, Z. A., & Nazri, M. Z. (2020). Hybrid In-

telligent Intrusion Detection System Using Machine Learning Te-

chniques. Journal of Information Security and Applications, 55,

102607.

https://doi.org/10.1016/j.jisa.2020.102607

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

108

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

CISA – Cybersecurity and Infrastructure Security Agency. (2022).

Securing Communications Infrastructure: Guidance for Critical

Networks. U.S. Department of Homeland Security. Disponible en:

https://www.cisa.gov

Cruz, A., Márquez, J., & Ramírez, D. (2021). Machine Learning Mo-

dels for Malware Detection in Telecommunication Networks.

IEEE Access, 9, 178543–178557.

https://doi.org/10.1109/AC-

CESS.2021.3130201

ENISA – European Union Agency for Cybersecurity. (2023). Threat

Landscape for the Telecom Sector 2023. European Commission.

Disponible en:

https://www.enisa.europa.eu

García-Teodoro, P., Maciá-Fernández, G., Díaz-Verdejo, J., & Vázquez,

E. (2023). Advanced Intrusion Detection in Telecommunications:

AI-driven Approaches. Computer Networks, 235, 109000.

https://doi.

org/10.1016/j.comnet.2023.109000

Goodman, B., & Flaxman, S. (2017). European Union Regulations on

Algorithmic Decision-Making and a “Right to Explanation”. AI Ma-

gazine, 38(3), 50–57.

https://doi.org/10.1609/aimag.v38i3.2741

Huang, L., Joseph, A. D., Nelson, B., Rubinstein, B. I. P., & Tygar, J.

D. (2021). Adversarial Machine Learning. Communications of the

ACM, 64(7), 64–73.

https://doi.org/10.1145/3434228

Hussain, F., Abbas, G., Fatima, R., & Wang, H. (2023). Graph Neural

Networks for Network Threat Detection in 5G and IoT Environ-

ments. IEEE Internet of Things Journal, 10(8), 7254–7267.

https://

doi.org/10.1109/JIOT.2023.3241073

Kolosnjaji, B., Zarras, A., Webster, G., & Eckert, C. (2018). Deep

Learning for Classification of Malware System Call Sequences.

In Proceedings of the 2018 IEEE International Conference on

Big Data (pp. 3787–3796). IEEE.

https://doi.org/10.1109/BigDa-

ta.2018.8621968

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito

109

ISSN: 2224-6274, RNPS: 0514, Vol. 22, No. 2, julio - diciembre, 2025

Pektaş, A., & Acarman, T. (2020). Malware Classication Based on Deep

Learning Architectures for Android. Neural Computing and Applica-

tions, 32(3), 817–833.

https://doi.org/10.1007/s00521-018-3930-1

Permana, A., Pradana, F., & Utami, R. (2020). Comparative Analysis

of Machine Learning Algorithms for Malware Detection. Internatio-

nal Journal of Computer Applications, 175(13), 14–22.

https://doi.

org/10.5120/ijca2020920431

Sgandurra, D., & Lupu, E. C. (2020). Automated Malware Classica-

tion and Analysis Using Machine Learning. Computers & Security,

95, 101867.

https://doi.org/10.1016/j.cose.2020.101867

Shaq, M., Tian, Z., Bashir, A. K., Du, X., & Guizani, M. (2020). Co-

rrauc: A Deep Learning Model for Anomaly Detection in 5G Telecom

Networks. IEEE Transactions on Network Science and Engineering,

7(4), 2348–2362.

https://doi.org/10.1109/TNSE.2020.3025241

Ucci, D., Aniello, L., & Baldoni, R. (2019). Survey of Machine Lear-

ning Techniques for Malware Analysis. Computers & Security, 81,

123–147.

https://doi.org/10.1016/j.cose.2018.11.001

Wang, J., Zhang, H., & Zhu, X. (2022). Deep Autoencoder-Based Ne-

twork Anomaly Detection for Critical Infrastructure. Expert Sys-

tems with Applications, 201, 117138.

https://doi.org/10.1016/j.

eswa.2022.117138

Yang, Q., Liu, Y., Chen, T., & Tong, Y. (2019). Federated Machi-

ne Learning: Concept and Applications. ACM Transactions

on Intelligent Systems and Technology, 10(2), 12.

https://doi.

org/10.1145/3298981

Zhang, Y., Pan, S., & Chang, X. (2022). Graph Representation Learning

for Cybersecurity: A Review. IEEE Transactions on Neural Networks

and Learning Systems, 33(5), 1805–1822.

https://doi.org/10.1109/

TNNLS.2021.3114520

pp. 96 - 109

Aplicación de modelos de inteligencia articial para la detección de malware

en infraestructuras críticas de telecomunicaciones

Ing. Elizabeth Molina Mena, Ing. Heidy Rodríguez Malvares, M.Sc. Henry Raúl González Brito