MODELOS PREDICTIVOS DE IA Y SU RELACIÓN CON LA PROTECCIÓN CONTRA AMENAZAS PERSISTENTES AVANZADAS DEL SISTEMA FINANCIERO
DOI:
https://doi.org/10.24265/Palabras clave:
algoritmos inteligentes, amenazas persistentes avanzadas, aprendizaje automatico , ciberseguridad, inteligencia artificialResumen
El objetivo fue establecer la relación entre los modelos predictivos de inteligencia artificial (IA) y la protección contra amenazas persistentes avanzadas (APTs) en el sistema bancario de Lima para el año 2024. Se realizó un análisis de fuentes secundarias sobre los modelos predictivos de IA que detectan amenazas persistentes en ciberseguridad como el malware.
Se realizó una encuesta a una muestra de 79 trabajadores de instituciones bancarias en la ciudad de Lima. El estudio, es no experimental, cuantitativo-transversal. Los resultados mostraron un mejor rendimiento de los sistemas de seguridad en el ámbito bancario después de que se aplicaron los modelos predictivos en áreas como la localización, mitigación y prevención de APT, lo que refuerza la ciberseguridad en un contexto grave. Estos hallazgos resaltan la utilidad de los modelos para representar con mayor seguridad tras los ataques dirigidos a las entidades financieras. La encuesta evidenció que la mayoría de participantes considera que los modelos predictivos de IA ayudan a prevenir las (APTs) y optimizar la solución de problemas, lo cual indica una tendencia favorable hacia la implementación de herramientas basados en IA dentro de los bancos. La implementación de los modelos de IA predictiva fortalece la resiliencia en los bancos frente a los ataques APT, ya que su capacidad para optimizar los procesos mejora la resistencia y tiene un efecto en la evolución de la protección contra los ataques APT, otorgándoles adaptabilidad a nuevas amenazas a medida que mejoran y se vuelven más sofisticados.
Descargas
Referencias
Abualhassan, Z., Hassan, E., Husni, D., Alothman, B., Shehata, N., Trabelsi, M., Shyha, I., Jaradat, S., & Al-Dubai, A. (2026). Malware ecognition using novel convolutional neural network with residual connections. International Journal Of Machine Learning And Cybernetics, 17(3). https://doi.org/10.1007/s13042-025-02815-6
Alageel, A., & Maffeis, S. (2026). Investigation of advanced persistent threats network based tactics, techniques and procedures. Computer Networks, 278, 112069. https://doi.org/10.1016/j.comnet.2026.112069
Almazarqi, H. A., Woodyard, M., & Marnerides, A. K. (2025). BotPro: Data-driven tracking & profiling of IoT botnets in the wild. Computers & Security, 162, 104778. https://doi.org/10.1016/j.cose.2025.104778
Arulkumar, D., & K, K. (2025). Metastack-aptnet: An ensemble deep learning framework for advanced persistent threat detection and mitigation in cyber-physical systems using blockchain technology. Computers & Electrical Engineering, 130, 110838. https://doi.org/10.1016/j.compeleceng.2025.110838
Banco Bilbao Vizcaya Argentaria S.A. ”BBVA ”. (2025, 10 de septiembre). La IA, en los dos lados de la ciberseguridad: aliada y amenaza en el mundo digital. BBVA. https://www.bbva.com/es/innovacion/la-ia-en-los-dos-lados-de-la-ciberseguridad-aliada-y-amenaza-en-el-mundo-digital/
Belali, F., Essetty, A., Bah, S., Wafi, I. E., & Daghouri, A. (2026). Design of a resilient multi-layered security framework for satellite communications. International Journal Of Information Security, 25(2). https://doi.org/10.1007/s10207-025-01184-z
Bodström, T., & Hämäläinen, T. (2026). Raw binary data usage with deep learning for advanced persistent threat attacks early stage detection. International Journal Of Machine Learning And Cybernetics, 17(2).
https://doi.org/10.1007/s13042-02502853-0
Choudhary, N., & Khaitan, V. (2026). Dependability Analysis of Cloud-Based VoIP Under an Advanced Persistent Threat Attack: A Semi-Markov Approach. Transactions On Emerging Telecommunications Technologies, 37(2). https://doi.org/10.1002/ett.70353
De la Hoz Suárez, B. A., Moran, I. F. L., Tete, A. E. M., & De la Hoz Suárez, A. I. (2024). Inteligencia artificial como
Estrategia para gestionar los procesos de auditoría financiera. Revista Estrategia Organizacional, 13(1), 57-72. https://doi.org/10.22490/25392786.7818
Deng, X., Li, P., Wang, C., Wang, R., Liu, Y., Han, W., & Tian, Z. (2026). A Stackelberg game based deception defense strategy against APT under resource constraints. Science China Information Sciences, 69(3). https://doi.org/10.1007/s11432-025-4530-7
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Héctor Martín Espinoza Villavicencio
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0). Faculta a los usuarios a compartir: copiar y redistribuir el material en cualquier medio o formato y adaptar: remezclar, transformar y desarrollar el material, siempre y cuando se acredite al autor original, no se utilice con propósitos comerciales y las nuevas creaciones se licencien bajo los mismos términos de esta licencia.
