Revisión Teórica De Las Redes Neuronales Profundas Para La Detección De Malware

Abstract

El presente trabajo realiza una revisión teórica sobre la detección de malware mediante el uso de redes neuronales profundas, enfocándose en el análisis de la eficacia de modelos como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN). A partir de una revisión de la literatura especializada, se identifican las principales técnicas, retos y avances recientes relacionados con la detección de software malicioso, en especial aquellos que presentan variantes sofisticadas utilizando técnicas de evasión como el cifrado, la ofuscación y el polimorfismo. El propósito de este estudio es explorar cómo las CNN son capaces de extraer patrones visuales de archivos binarios representados como imágenes, y cómo las RNN permiten modelar comportamientos temporales de ejecuciones maliciosas, lo que facilita su clasificación precisa. Asimismo, se examina la efectividad de enfoques híbridos que integran ambas arquitecturas para mejorar el rendimiento en la detección de amenazas complejas. Esta monografía también considera aspectos como la escalabilidad de los modelos, su capacidad de generalización y las implicaciones prácticas en entornos reales. Finalmente, el estudio ofrece una visión integral sobre la evolución de las técnicas de ciberseguridad basadas en Inteligencia Artificial, destacando tanto sus limitaciones como sus oportunidades de mejora. Así, se brinda una base teórica sólida para futuras investigaciones y desarrollos en este campo en constante crecimiento.