Este sitio carga analítica opcional de Google y proveedores externos de analítica solo si aceptas. Puedes rechazarla y seguir usando la web con normalidad.
Métodos de IA y aprendizaje automático para detección de amenazas, gestión de incidentes, conciencia situacional y mitigación de ataques.
La IA para ciberdefensa es valiosa cuando ayuda a los analistas a detectar, interpretar y responder a actividad hostil. El reto técnico no es solo la precisión predictiva, sino también la fiabilidad bajo telemetría ruidosa, presión adversaria y contexto incompleto.
Los datos de ciberdefensa rara vez están centralizados en un conjunto limpio, completo y compartible. El aprendizaje distribuido, los enfoques federados y la colaboración con preservación de privacidad permiten aprender de múltiples entornos sin exponer todas las trazas brutas a una sola parte.
El portfolio conecta la IA para ciberdefensa con aprendizaje federado descentralizado, explicación de ataques, recomendación de mitigaciones, agregación robusta y sistemas aplicados como reconocimiento aéreo, detección de anomalías energéticas y seguridad IoT.
Es el uso de aprendizaje automático e IA para detectar amenazas, priorizar incidentes, explicar comportamiento atacante y apoyar la mitigación en operaciones de seguridad.
Los equipos de seguridad necesitan entender por qué un modelo generó una alerta antes de confiar en él dentro de flujos de respuesta de alto impacto.
Sí, el aprendizaje federado y descentralizado puede entrenar o adaptar modelos entre distintos entornos manteniendo la telemetría bruta en local.
DEFENDIS desarrolla un marco para identificar de forma distribuida dispositivos IoT y abordar amenazas de seguridad mediante aprendizaje federado descentralizado.
Ver proyectoProyecto europeo de investigación sobre métodos y pruebas de concepto para apoyar la gestión de incidentes de ciberdefensa.
Ver proyectoROBUST-6G estudia mecanismos de seguridad para sistemas 6G, incluyendo monitorización, gestión segura de datos, servicios de IA confiable, aprendizaje federado y respuesta ante amenazas.
Ver proyectoMarco integral de ciberseguridad para sistemas Brain-Computer Interface en escenarios de asistencia avanzada a la conducción, centrado en detectar y prevenir ciberataques sobre el ciclo de vida BCI.
Ver proyectoNota práctica sobre cómo monitorización distribuida, modelos DFL, evidencia de alertas y apoyo basado en LLMs pueden encajar en un flujo de ciberdefensa.
Nota de investigación sobre el uso de DFL para convertir telemetría distribuida, anomalías y señales de confianza en situational awareness de ciberdefensa.
Nota técnica sobre cómo flotas de drones pueden usar DFL para colaborar en modelos de detección sin exponer telemetría de misión.
Nota de investigación sobre mediana, trimmed mean y agregación ponderada por confianza para federaciones peer-to-peer bajo poisoning y clientes no confiables.
Nota de investigación sobre entrenamiento en edge, agregación segura y presupuestos de privacidad adaptativos para monitorización de seguridad IoT.