Saltar al contenido
Enrique Tomás Martínez Beltrán
InicioInvestigaciónPublicacionesDocenciaBlog
ENES
Contacto
InicioInvestigaciónPublicacionesDocenciaBlog
ENES
Contacto

Enrique Tomás Martínez Beltrán

Investigación en aprendizaje federado, IA confiable y ciberdefensa, con foco en sistemas robustos, con preservación de privacidad y útiles en operaciones de seguridad.

  • Política de privacidad
  • Términos del servicio
  • Accesibilidad
  • GitHubse abre en una pestaña nueva
  • LinkedInse abre en una pestaña nueva
  • Google Scholarse abre en una pestaña nueva
  • RGse abre en una pestaña nueva
  • ORCIDse abre en una pestaña nueva
  • Scopusse abre en una pestaña nueva
  • DBLPse abre en una pestaña nueva
  • Web of Sciencese abre en una pestaña nueva

Enrique Tomás Martínez Beltrán. Todos los derechos reservados.

Volver arriba

Este sitio carga analítica opcional de Google y proveedores externos de analítica solo si aceptas. Puedes rechazarla y seguir usando la web con normalidad.

  1. Inicio
  2. Notas de investigación sobre aprendizaje federado, ciberseguridad y ciberdefensa
  3. Detección federada de anomalías energéticas para infraestructura crítica
Ciberseguridad industrialInfraestructura críticaAprendizaje federado descentralizadoIA confiable

Detección federada de anomalías energéticas para infraestructura crítica

Detección de ciberataques con privacidad para series temporales de smart grids

Enrique Tomás Martínez Beltrán

Investigador predoctoral en aprendizaje federado y ciberseguridad

25 de mayo de 20266 min de lectura
  • LinkedInse abre en una pestaña nueva
  • Xse abre en una pestaña nueva
Detección federada de anomalías energéticas para infraestructura crítica

Los operadores de infraestructura crítica necesitan detección de anomalías, pero también privacidad y control operativo. En sistemas energéticos, la telemetría bruta puede exponer subestaciones, perfiles de carga, rutinas operativas y patrones sensibles de fallo.

La detección federada de anomalías es una forma de colaborar sin agruparlo todo.

Por qué los sistemas energéticos son distintos

La telemetría de smart grids es temporal, heterogénea y dependiente del contexto. La misma señal puede ser normal en un estado operativo y sospechosa en otro.

Eso significa que los modelos de detección necesitan contexto:

  • nivel de amenaza,
  • criticidad del activo,
  • estacionalidad,
  • deriva del modelo,
  • restricciones operativas locales.

Patrón de aprendizaje descentralizado

Cada nodo de monitorización puede entrenar sobre series temporales locales y compartir actualizaciones del modelo o señales destiladas con peers. El objetivo es detectar ciberataques y anomalías preservando control sobre datos industriales sensibles.

Esto no es solo una característica de privacidad. También es una característica de disponibilidad y resiliencia: el sistema debería seguir aprendiendo aunque un servicio central no esté disponible.

Alertas confiables

La alerta debería explicar por qué una señal importa y si el modelo está operando en un régimen conocido. Si la deriva es alta, la alerta debería indicarlo. Si los peers discrepan, esa discrepancia forma parte de la evidencia.

La detección confiable de anomalías no consiste solo en levantar alertas. Consiste en hacer que las alertas sean suficientemente útiles para apoyar la mitigación.

En infraestructura crítica, la evidencia de alerta debe mantenerse acotada y auditable: activo afectado, ventana de anomalía, acuerdo entre peers, nivel de deriva, restricciones de seguridad y contexto operacional aprobado.

Idea clave

En infraestructura crítica, la detección federada de anomalías debería priorizar evidencia útil y acotada por encima del intercambio amplio de datos. La alerta debe ser explicable, auditable y estar alineada con restricciones operativas para ayudar a operadores a decidir si investigar, mitigar o seguir observando.

Pregunta abierta de investigación

¿Cómo pueden los sistemas energéticos federados distinguir anomalías ciber reales de cambios operativos locales cuando la telemetría bruta no puede agruparse de forma centralizada?

Investigación relacionada

Agregación resiliente a Byzantine para aprendizaje federado descentralizado

27 de mayo de 2026

Agregación resiliente a Byzantine para aprendizaje federado descentralizado

Nota de investigación sobre mediana, trimmed mean y agregación ponderada por confianza para federaciones peer-to-peer bajo poisoning y clientes no confiables.

De la monitorización a la mitigación: ciclo de ciberdefensa DFL con explicaciones mediante LLMs

30 de mayo de 2026

De la monitorización a la mitigación: ciclo de ciberdefensa DFL con explicaciones mediante LLMs

Nota práctica sobre cómo monitorización distribuida, modelos DFL, evidencia de alertas y apoyo basado en LLMs pueden encajar en un flujo de ciberdefensa.