Este sitio carga analítica opcional de Google y proveedores externos de analítica solo si aceptas. Puedes rechazarla y seguir usando la web con normalidad.
Uso de LLMs como capa de apoyo para explicar ataques, recomendar mitigaciones y mantener al analista dentro del proceso de análisis de incidentes.
Los LLMs pueden ayudar a traducir señales de seguridad de bajo nivel en explicaciones, opciones de respuesta e hipótesis de investigación. En ciberdefensa, el papel útil no es la decisión autónoma, sino el apoyo acotado que mejora la comprensión y velocidad de respuesta del analista.
Los casos de uso de seguridad requieren controles más fuertes que los asistentes generalistas. Las salidas necesitan procedencia, anclaje en evidencia observada, recomendaciones trazables y salvaguardas frente a mitigaciones inventadas o explicaciones excesivamente confiadas.
La ciberdefensa asistida por LLMs se solapa con explicabilidad, evaluación, factores humanos e IA responsable. La pregunta de investigación es cómo hacer estos sistemas útiles sin aumentar el riesgo operativo.
En entornos de alto impacto, los LLMs encajan mejor como sistemas de asesoramiento. Pueden explicar y sugerir, mientras humanos y playbooks controlados aprueban acciones.
El principal riesgo es producir explicaciones o mitigaciones plausibles pero no respaldadas. El anclaje en evidencia, la evaluación y la revisión humana son esenciales.
Son útiles para resumir evidencia, explicar alertas, comparar opciones de respuesta y documentar el razonamiento de un incidente.
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.