La ciberseguridad doméstica avanza con nuevos modelos de detección de anomalías

Barcelona, España, 1 de febrero de 2026.— El crecimiento sostenido de los hogares inteligentes está redefiniendo la vida cotidiana, pero también ampliando la superficie de ataque digital. En este contexto, investigadores de la Universitat Oberta de Catalunya (UOC) proponen un nuevo enfoque para evaluar y optimizar los algoritmos de detección de ciberataques, especialmente diseñados para entornos domésticos conectados.

El estudio parte de una constatación crítica: los sistemas actuales de evaluación y optimización de algoritmos de detección son poco eficientes y están desequilibrados, lo que limita su capacidad para identificar ataques reales, raros o emergentes en redes domésticas.

Hogares inteligentes: más conectados, más expuestos

El número de dispositivos conectados en los hogares no deja de crecer. En febrero de 2025, Brasil registraba aproximadamente 183 millones de usuarios de internet, superando a México (110 millones) y Argentina (41,2 millones). En el Caribe, República Dominicana lideraba en número de usuarios conectados.

En la Unión Europea, los datos de Eurostat indican que más del 70 % de la población dispone de al menos un dispositivo conectado en casa, sin contar ordenadores ni smartphones. Televisores inteligentes, sistemas de audio y videojuegos, asistentes virtuales y soluciones de domótica son ya parte del ecosistema doméstico.

Esta expansión trae comodidad y eficiencia, pero también nuevos riesgos de ciberseguridad, especialmente en la detección de anomalías provocadas por ciberataques, un ámbito donde los algoritmos actuales presentan limitaciones estructurales.

Un nuevo enfoque desde la investigación académica

La investigación está liderada por Helena Rifà Pous, del grupo K-ryptography and Information Security for Open Networks (KISON), adscrito al centro UOC-TECH, junto a Juan Ignacio Iturbe Araya, investigador de la UOC-TECH y del Departamento de Ingeniería Informática de la Universidad de Santiago de Chile.

El trabajo propone optimizar los algoritmos de detección de anomalías mediante un replanteamiento de las métricas utilizadas para evaluar su rendimiento, especialmente en entornos con datos desequilibrados, como los hogares inteligentes.

Objetivo: corregir el desequilibrio de los algoritmos

Los métodos tradicionales de detección de ataques, basados en patrones previamente conocidos, resultan insuficientes frente al aumento en volumen, diversidad y sofisticación de las amenazas. Por ello, han ganado terreno las técnicas de aprendizaje no supervisado, capaces de identificar comportamientos anómalos sin datos previos sobre los ataques.

Sin embargo, estos métodos presentan una debilidad clave: su rendimiento depende de cómo se ajustan los parámetros internos que determinan qué se considera una anomalía.

En entornos domésticos, el problema se agrava porque:

• Existe mucho más tráfico normal que anómalo

• Las anomalías son poco frecuentes y muy heterogéneas

Una mala configuración puede hacer que el sistema ignore ataques nuevos o raros, reduciendo su eficacia real.

La clave: métricas más equilibradas y robustas

Nuestra investigación se centra en encontrar qué otros mecanismos podemos usar para que los modelos de detección de anomalías para hogares inteligentes se adapten a sus entornos y puedan funcionar sin apenas conocimientos técnicos. Buscamos modelos que no solo sean precisos, sino que también sean autónomos y transparentes«, explica la investigadora. «Nuestro próximo paso es ver cómo nos pueden servir las técnicas de inteligencia artificial explicable para entender por qué estos modelos fallan o se vuelven obsoletos», concluye Rifà Pous.

El estudio analiza cómo la selección de métricas de optimización impacta en el rendimiento posterior de estos modelos y concluye que las métricas basadas en el coeficiente de correlación de Matthews (MCC) ofrecen los mejores resultados.

Según la investigación, estas métricas permiten que los sistemas sean:

• Más generalizables

• Más equilibrados

• Más robustos frente a datos desequilibrados

El trabajo ha sido publicado en acceso abierto en el Journal of Network and Systems Management, reforzando su impacto académico y práctico.

Hacia sistemas de ciberseguridad más adaptativos

Para Rifà Pous, el estudio subraya la importancia de cambiar el criterio de evaluación de los algoritmos:

Nuestro trabajo plantea que, aunque se usen métodos no supervisados de detección de anomalías, estos métodos pueden funcionar mejor si optimizamos de forma automática la configuración del sistema», explica Helena Rifà Pous. «El estudio analiza cómo impacta la selección de las métricas de optimización en el rendimiento posterior de esos modelos de aprendizaje no supervisado. Y concluye que las métricas basadas en el coeficiente de correlación de Matthews (una escala utilizada para clasificar predicciones) son las que tienen mejores resultados, ya que permiten que los sistemas sean más generalizables, equilibrados y robustos», añade.

El objetivo final es que los productos que lleguen al mercado detecten mejor los ataques reales y poco frecuentes, y no solo confirmen que el tráfico es normal.

Desafíos para reforzar la ciberseguridad doméstica

Aunque el enfoque propuesto refuerza el desarrollo de modelos más robustos, su aplicación comercial plantea tres grandes retos:

1. Disponibilidad de datos reales
   Obtener volúmenes significativos de datos de hogares que hayan sufrido ciberataques es costoso y complejo.

2. Fiabilidad a largo plazo
   El tráfico doméstico cambia con el tiempo debido a nuevos dispositivos o cambios de hábitos, lo que dificulta mantener la eficacia del modelo.

3. Portabilidad y estandarización
   Implementar estos modelos en distintas plataformas de hogares inteligentes e IoT sin perder rendimiento sigue siendo un desafío técnico.

El siguiente paso: inteligencia artificial explicable

Nuestra investigación se centra en encontrar qué otros mecanismos podemos usar para que los modelos de detección de anomalías para hogares inteligentes se adapten a sus entornos y puedan funcionar sin apenas conocimientos técnicos. Buscamos modelos que no solo sean precisos, sino que también sean autónomos y transparentes«, explica la investigadora. «Nuestro próximo paso es ver cómo nos pueden servir las técnicas de inteligencia artificial explicable para entender por qué estos modelos fallan o se vuelven obsoletos», concluye Rifà Pous.

Esta línea de trabajo apunta a sistemas no solo precisos, sino también autónomos, transparentes y confiables para el usuario final.

Investigación alineada con los Objetivos de Desarrollo Sostenible

El estudio se enmarca en la misión de la UOC de tecnología ética y humana y contribuye a los ODS de la ONU:

• ODS 9: infraestructuras resilientes e innovación sostenible

• ODS 11: ciudades inclusivas, seguras y sostenibles

Referencia científica

Iturbe-Araya, J. I., & Rifà-Pous, H. (2025). Hyperparameter Optimization and Evaluation Metrics for Unsupervised Anomaly-Based Cyberattack Detection in Imbalanced Smart Home Datasets. Journal of Network and Systems Management, 33, 99.

Tu Opinión Importa 🗣️

¿Crees que los hogares inteligentes están preparados para enfrentar ciberataques cada vez más sofisticados? Comparte tu visión y participa en la conversación con los hashtags #itusers28aniversario y #superfan.

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457