Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework

Resumen Técnico: Analítica de Riesgo Cibernético Impulsada por IA Explicable para la Infraestructura Crítica de EE. UU.

Declaración del Problema
Los sectores de infraestructura crítica de EE. UU. (energía, salud, transporte, finanzas, comunicaciones) enfrentan una superficie de ataque cibernético en expansión impulsada por tecnologías digitales gobernadas por la IA. Los mecanismos de ciberseguridad tradicionales, basados en reglas, son cada vez más inadecuados contra amenazas sofisticadas como los ataques de Denegación de Servicio Distribuido (DDoS), Amenazas Persistentes Avanzadas (APT), botnets y ransomware. Si bien el aprendizaje automático (ML) ofrece una promesa para la detección de intrusiones, los marcos existentes suelen priorizar la precisión de la clasificación a expensas de la confiabilidad, la explicabilidad y la transparencia de la gobernanza del modelo. Esta naturaleza de "caja negra" crea un déficit de confianza fundamental para los operadores de infraestructura y los responsables de políticas que requieren un soporte de decisiones auditable e interpretable para justificar acciones operativas.

Metodología
El estudio emplea un diseño de investigación experimental cuantitativo para desarrollar un marco de analítica de riesgo cibernético y evaluación de la confiabilidad del modelo. La metodología avanza a través de seis fases secuenciales utilizando el conjunto de datos CICIDS2017, un referente realista que contiene flujos de red etiquetados para DDoS, fuerza bruta, botnet, ataques web y tráfico de infiltración.

1. Preprocesamiento de Datos: Los flujos de red brutos fueron sometidos a limpieza (eliminación de duplicados, imputación de valores faltantes/infinitos), codificación (conversión de etiquetas de cadena y tipos de protocolo a enteros), normalización (escalado Min-Max para características continuas) y selección de características. El proceso de selección utilizó el análisis de correlación de Pearson (eliminando pares con $|r| > 0.95$) y la clasificación de importancia basada en Random Forest (eliminando características por debajo del percentil 10), reduciendo las 79 características iniciales a un conjunto de aproximadamente 40–45 características discriminativas.
2. Entrenamiento de Modelos: Se entrenaron y evaluaron comparativamente cuatro clasificadores supervisados: XGBoost, Random Forest, Árbol de Decisión y Regresión Logística. El estudio también destaca el desempeño de un clasificador de Máquina de Vectores de Soporte (SVM) en una tarea binaria de DDoS frente a benigno. Los experimentos utilizaron una división de entrenamiento-prueba estratificada de 80/20 con validación cruzada estratificada de cinco pliegues.
3. IA Explicable (XAI): Para abordar la opacidad de los modelos de ML, se integró el análisis SHAP (SHapley Additive Explanations). Utilizando el algoritmo TreeSHAP, el estudio generó explicaciones a nivel de característica (diagramas beeswarm, diagramas de barras de valores absolos medios de SHAP y gráficos de fuerza) para interpretar las predicciones del modelo.
4. Evaluación de Confiabilidad: El desempeño se evaluó no solo mediante la precisión, sino mediante un conjunto integral de métricas: Precisión, Exhaustividad (Recall), F1-score, ROC-AUC y, específicamente, la Tasa de Falsos Positivos (FPR), la cual es crítica para prevenir la fatiga de alertas en entornos operativos.

Resultos Clave

• Desempeño de Clasificación: El clasificador SVM logró una discriminación casi perfecta en la tarea de clasificación binaria de DDoS frente a benigno, obteniendo un ROC-AUC cercano a 1.00. La matriz de confusión reveló 2,571 verdaderos positivos y 1,918 verdaderos negativos, con solo 11 clasificaciones erróneas totales (7 falsos positivos y 4 falsos negativos).
• Poder Discriminativo de las Características: El análisis exploratorio confirmó que características de red específicas portan información discriminativa sustancial:
  • Duración del Flujo: Los flujos de larga duración se asociaron con sesiones persistentes y ataques de agotamiento de conexiones TCP.
  • Tamaño de Paquete: El tráfico DDoS exhibió tamaños promedio de paquete significativamente mayores en comparación con el tráfico benigno, reflejando estrategias de inundación volumétrica.
  • Puertos de Destino: Los volúmenes anómalos en puertos estándar (80, 443, 53) combinados con otras características sirvieron como indicadores de actividad de ataque.
  • Bytes/s del Flujo: Las anomalías de tráfico de alta intensidad fueron claramente distinguibles en la cola de la distribución.
• Explicabilidad: El análisis SHAP identificó con éxito las características de red más influyentes que impulsan las predicciones del modelo, proporcionando la transparencia a nivel de característica requerida para que los actores de gobernanza auditen los resultados de clasificación con confianza informada.

Significancia y Reivindicaciones
El artículo afirma que su contribución primaria no es simplemente demostrar que el ML puede detectar ataques —una capacidad ya establecida en la literatura— sino mostrar cómo hacerlo de una manera que sea confiable, transparente y operativamente útil para los tomadores de decisiones humanos.

• Confiabilidad de la Gobernanza: El marco avanza hacia una "IA confiable y explicable" al combinar la detección de intrusiones confiable con un soporte de decisiones transparente y listo para la gobernanza. Aborda la brecha entre la alta precisión y la necesidad de modelos auditables y explicables en infraestructuras críticas.
• Responsabilidad Operativa: Al integrar SHAP, el estudio va más allá de la precisión de detección hacia sistemas que son interpretables, auditables y operativamente responsables. Esto permite a los analistas entender por qué un modelo marcó un evento (por ejemplo, anomalías específicas en el tamaño del paquete o patrones de duración de flujo), permitiendo acciones informadas como el aislamiento del sistema o una investigación adicional.
• Resiliencia sobre Protección Estática: El estudio se alinea con el cambio de la protección estática hacia la gobernanza basada en la resiliencia, argumentando que los modelos deben ser explicables y sus modos de falla deben entenderse para apoyar una gestión de seguridad adaptativa.

Limitaciones y Alcance
Los autores mantienen una postura modesta respecto a la generalizabilidad de sus hallazgos:

• El análisis se centró en la clasificación binaria (DDoS frente a benigno) dentro de un subconjunto específico del conjunto de datos CICIDS2017; el desempeño sobre la taxonomía completa de 15 categorías de ataque (incluyendo amenazas sutiles como fuerza bruta o infiltración) no fue evaluado completamente en este estudio.
• Los experimentos se realizaron en un entorno estático y fuera de línea; el comportamiento del marco bajo condiciones de tiempo real, deriva de conceptos (concept drift) y técnicas de evasión adversarias aún debe ser validado.
• El desequilibrio de clases se abordó mediante muestreo estratificado pero no mediante aumentación sintética (por ejemplo, SMOTE), lo que puede afectar la exhaustividad (recall) para clases de ataque minoritarias en aplicaciones más amplias.

En conclusión, el estudio establece una base creíble para un marco integrado donde la detección, la evaluación de la confiabilidad y la explicabilidad operan conjuntamente para apoyar los procesos de gobernanza humana esenciales para proteger la infraestructura crítica de EE. UU.