Detección de Malware en Dispositivos IoT mediante modelos ligeros de Machine Learning

Abstract

Esta monografía analiza y compara técnicas de aprendizaje automático ligero aplicadas a la detección de malware en entornos IoT y sistemas embebidos, con énfasis en las restricciones de memoria, procesamiento, latencia, conectividad, privacidad y consumo energético propias de estos dispositivos. El trabajo se desarrolló mediante una revisión sistemática de literatura con enfoque analítico-comparativo, orientada a identificar tendencias, limitaciones, métricas de evaluación, datasets de referencia y criterios técnicos para la selección de modelos ligeros. Los hallazgos evidencian que los enfoques tradicionales de detección pueden presentar dificultades de despliegue en dispositivos con recursos limitados, mientras que técnicas como selección de características, poda, cuantización, TinyML y aprendizaje federado ofrecen alternativas pertinentes cuando se evalúan desde una perspectiva multicriterio. Asimismo, se identificó que la detección ligera puede apoyarse en patrones observables de bajo costo computacional, asociados al tráfico de red y al comportamiento del dispositivo, como duración del flujo, volumen de paquetes, solicitudes DNS, uso de CPU, memoria y procesos activos. Como aporte principal, se propone un marco de aplicación que articula contexto operativo, tipo de amenaza, características observables, técnica ligera, validación multicriterio y decisión de adopción. Se concluye que la selección de técnicas de detección en IoT no debe depender únicamente del desempeño predictivo, sino también de su viabilidad operativa en condiciones reales de despliegue.