Modelo de seguridad para internet de las cosas basado en inteligencia artificial distribuida y aprendizaje federado

Abstract

El crecimiento acelerado del Internet de las Cosas (IoT) ha incrementado la superficie de ataque de los sistemas distribuidos, exponiendo dispositivos heterogéneos y con recursos limitados a amenazas cada vez más sofisticadas. En este contexto, los enfoques tradicionales de seguridad centralizados resultan insuficientes para garantizar escalabilidad, baja latencia y preservación de la privacidad de los datos. Este trabajo presenta un modelo de seguridad para entornos IoT basado en Inteligencia Artificial distribuida y aprendizaje federado, orientado a la detección de anomalías y ataques sin necesidad de centralizar la información sensible generada por los dispositivos. La arquitectura propuesta integra agentes livianos en dispositivos IoT, nodos de edge computing (computación en el borde) con modelos locales de detección de anomalías y un servidor central de agregación segura que consolida el conocimiento global mediante algoritmos de aprendizaje federado. El modelo incorpora mecanismos de agregación segura, privacidad diferencial y técnicas de IA híbridas, combinando aprendizaje profundo y métodos estadísticos, con el objetivo de mejorar la precisión de detección y la robustez frente a ataques adversariales. La propuesta se fundamenta en el análisis del estado del arte y en resultados reportados en la literatura científica reciente, mostrando que el aprendizaje federado constituye una alternativa viable y eficaz para fortalecer la seguridad en entornos IoT e IIoT.