BioEnvSense: A Human-Centred Security Framework for Preventing Behaviour-Driven Cyber Incidents

A continuación se presenta un resumen técnico detallado del artículo "BioEnvSense: A Human-Centred Security Framework for Preventing Behaviour-Driven Cyber Incidents", traducido y estructurado en español.

1. Planteamiento del Problema

El ciberseguridad enfrenta un desafío crítico: la mayoría de las brechas de seguridad (aproximadamente el 95%) se deben al error humano o a acciones de riesgo, más que a fallos técnicos. Estos incidentes, a menudo involuntarios, son exacerbados por factores como el estrés, la distracción, la fatiga cognitiva y estados emocionales inestables.

• Limitaciones actuales: Las medidas de mitigación existentes (entrenamiento, recordatorios automáticos) no consideran el estado cognitivo o emocional del usuario en tiempo real. Los métodos de autenticación biométrica tradicionales (huella dactilar, reconocimiento facial) verifican la identidad, pero no monitorean la susceptibilidad al error humano.
• La brecha: Existe una necesidad urgente de sistemas de seguridad adaptativos que puedan detectar cuándo un usuario está en un estado de alto riesgo (debido a estrés fisiológico o condiciones ambientales adversas) y tomar medidas preventivas antes de que ocurra un incidente.

2. Metodología

Los autores proponen un marco conceptual de seguridad centrado en el ser humano que integra datos biométricos "blandos" (soft biometrics) y sensores ambientales mediante una arquitectura de aprendizaje profundo híbrida.

A. Recopilación y Preprocesamiento de Datos

• Fuente de datos: Se utilizó el conjunto de datos público "Health-Spa" de Anicai y Shakir (2023), que incluye 14 participantes durante 600 minutos.
• Sensores: Se capturan cinco características multivariadas en series de tiempo: Frecuencia Cardíaca (HR), Respuesta Galvánica de la Piel (GSR), Temperatura, Iluminación (Lux) y Sonido (dB).
• Preprocesamiento: Se aplicó un pipeline de cinco etapas: limpieza de datos, selección de características, estandarización Z-score (por sujeto), segmentación con ventanas deslizantes (30 segundos) y división de datos independiente del sujeto (80% entrenamiento, 20% validación) para evitar fugas de datos.

B. Definición de Etiquetas (Ground Truth)

Dado que el dataset original carecía de etiquetas de riesgo, se desarrolló un esquema de etiquetado personalizado basado en una fórmula ponderada:

1. Rendimiento Cognitivo: Calculado a partir de variables ambientales (temperatura, ruido, luz) mapeadas a puntuaciones de 0 a 1 según la literatura científica.
2. Estrés Fisiológico: Calculado a partir de HR y GSR normalizados (HR ponderado al 70%, GSR al 30%).
3. Puntuación de Riesgo Global: Se combinó mediante la fórmula:
   $$Riesgo = 0.7 \times Estrés + 0.3 \times (1 - Rendimiento\_Cognitivo)$$
   Esto genera cuatro clases de riesgo: Ejecutar como de costumbre, Mostrar advertencia, Limitar acceso e Informar a persona de respaldo.

C. Desarrollo del Modelo (Arquitectura Híbrida CNN-LSTM)

Se evaluaron cuatro estrategias de modelado. Los enfoques de ensamble tradicionales (Random Forest, Gradient Boosting) mostraron un alto sesgo y problemas de fuga de datos al no capturar la secuencia temporal.

• Solución Final: Se implementó una arquitectura Híbrida CNN-LSTM (Red Neuronal Convolucional - Memoria a Largo y Corto Plazo).
  • CNN (Capa 1): Extrae patrones espaciales y morfología local de las ventanas de sensores (ej. picos repentinos en GSR), actuando como filtro de ruido.
  • LSTM (Capa 2): Analiza las características extraídas a lo largo del tiempo para capturar dependencias temporales y la evolución dinámica del estrés.
• Regularización: Se utilizó Dropout (0.1 post-CNN, 0.3 post-LSTM) y regularización L2 para prevenir el sobreajuste.
• Validación: Se empleó validación cruzada de 5 pliegues con partición estricta por sujeto (subject-independent) para garantizar la generalización.

D. Despliegue del Sistema

Se diseñó una arquitectura de microservicios modular para la implementación en tiempo real:

1. Motor de Inferencia (Flask API): Aloja el modelo entrenado y realiza la inferencia.
2. Puerta de Enlace de Aplicación (Gateway): Actúa como buffer para acumular datos de la sesión antes de enviarlos al modelo, asegurando contexto histórico.
3. Nodo Sensor IoT: Simula la ingesta de datos fisiológicos y ambientales a 1 Hz.

3. Resultados Clave

• Precisión: El modelo CNN-LSTM alcanzó una precisión del 84% en la detección de condiciones de riesgo.
• Validación Cruzada: La validación cruzada de 5 pliegues mostró una precisión media del 79.8%, confirmando que el modelo generaliza bien a sujetos no vistos durante el entrenamiento.
• Comparación: Aunque la precisión es ligeramente inferior a la de modelos estáticos en tareas de clasificación de riesgo cardíaco (86.5% en el estudio base), el modelo CNN-LSTM es superior para la tarea específica de predecir eventos de error discretos al capturar la dinámica temporal, algo que los modelos estáticos no pueden hacer.
• Análisis de Clases: Se observó un desequilibrio de clases (la clase "Mostrar advertencia" es dominante), pero el modelo demostró alta sensibilidad para detectar esta categoría crítica. Las curvas ROC indican una buena separabilidad entre clases.

4. Contribuciones Principales

1. Marco de Seguridad Adaptativo: Propone un sistema que no solo verifica la identidad, sino que monitorea la "capacidad de seguridad" del usuario en tiempo real basándose en su estado fisiológico y ambiental.
2. Arquitectura Híbrida CNN-LSTM: Demuestra la eficacia de combinar extracción de características espaciales (CNN) con modelado temporal (LSTM) para la detección de estrés y riesgo de error humano en ciberseguridad.
3. Fusión Multimodal: Integra exitosamente datos fisiológicos (HR, GSR) con datos ambientales (luz, ruido, temperatura) para crear una evaluación de riesgo más holística.
4. Implementación Realista: Presenta una arquitectura de despliegue completa basada en microservicios, validada mediante simulación de nodos IoT, demostrando la viabilidad de pasar de la teoría a una aplicación funcional.

5. Significado e Impacto

Este trabajo es significativo porque cambia el paradigma de la ciberseguridad de un enfoque puramente técnico a uno centrado en el comportamiento humano.

• Prevención Proactiva: Permite a las organizaciones intervenir antes de que ocurra un incidente (ej. restringir acceso o solicitar verificación adicional) cuando detectan que un empleado está bajo un estrés extremo o en un entorno hostil.
• Reducción de Amenazas Internas: Aborda directamente las amenazas internas no intencionales, que representan una gran parte de las brechas de seguridad y tienen un costo financiero masivo.
• Equilibrio Seguridad-Usabilidad: Busca proteger los sistemas sin obstaculizar innecesariamente a los usuarios, activando medidas solo cuando el riesgo es real y medible.

6. Limitaciones y Futuras Direcciones

• Desequilibrio de Clases: El dataset tiene más periodos de "homeostasis" que de eventos críticos, lo que puede sesgar el modelo.
• Validez de Construcción: Las etiquetas se basan en heurísticas teóricas y no en reportes subjetivos de los usuarios en tiempo real.
• Generalización: El modelo actual es independiente del sujeto, pero el futuro trabajo apunta hacia la adaptación específica del sujeto (calibración de 24 horas) para mejorar la precisión individual.
• Ecología de Datos: Se requiere recolectar datos en entornos del mundo real (no solo controlados) para capturar la complejidad del estrés psicosocial y cognitivo.

En conclusión, BioEnvSense ofrece una solución técnica robusta y conceptualmente innovadora para mitigar el riesgo cibernético derivado del factor humano, utilizando inteligencia artificial para leer el estado biológico y ambiental del usuario y adaptar las defensas de seguridad dinámicamente.