SVcustos: el nivel base: n=9 y el origen del sistema

Read full text
Authors: Juan Antonio Lloret Egea
Cited by: 0

Abstract

El sistema SVcustos (denominación actual del primer 'framework' o marco) nace de una observación técnica concreta: los estados de seguridad de un dispositivo inteligente pueden describirse como un vector de eventos discretos, cada uno de los cuales es o bien activo, o bien inactivo, o bien no determinable. Esa triplicidad —que el sistema formaliza como valor 1, valor 0 y valor U respectivamente— es la célula mínima de toda la arquitectura posterior. En su nivel base, el sistema opera con n=9 parámetros organizados en tres capas de tres: red (tráfico hacia URLs no autorizadas, comunicación sin cifrar, transferencia exterior), conectividad (BSSID cambiante, Bluetooth activo, GPS activo) y sistema (parámetros físicos anómalos, activación de cámara sin permiso, activación de micrófono sin permiso). Estos nueve parámetros generan un espacio combinacional de 2⁹ = 512 vectores posibles en lectura binaria. El mecanismo de clasificación transforma el vector en una imagen polar de nueve ejes equiespaciados a 40° entre sí. Los valores 0, 1 y U se mapean a radios 1, 2 y 3 respectivamente, produciendo un polígono cerrado y reproducible que una red neuronal convolucional ResNet34 clasifica en tres estados: intrusión (≥7 de los 9 parámetros activos), indeterminado (5 o 6 activos) y normal (≤4 activos). Con esos umbrales, el espacio se distribuye aproximadamente así: 0,8% de los vectores caen en zona de intrusión, 22,3% en zona indeterminada y 77% en zona normal. La implementación parcial del nivel base existe: el repositorio incluye reglas Snort para la captura de parámetros de red, esquema de base de datos para la persistencia de eventos, y el entrenamiento inicial de ResNet34. Lo que no existe en el nivel base es el pipeline completo de extremo a extremo, desde la captura de los nueve parámetros hasta la generación automatizada de la imagen polar y su clasificación en tiempo real.

Fields of Study & Subjects

Network Security and Intrusion Detection Adversarial Robustness in Machine Learning Cybersecurity and Information Systems

Publication details

Publication date
1 March 2026
Language
ES