📄 other

Mathematical Modelling of Cybersecuritythreat Dynamics Using a Compartmental approach

Este artículo presenta un modelo matemático compartimental para la propagación de ciberataques en redes informáticas, demostrando su estabilidad y realizando análisis de sensibilidad y de bifurcación para demostrar que las tasas de transmisión son el factor dominante en la propagación de malware, mientras que los mecanismos de recuperación y control robustos pueden mitigar eficazmente las infecciones.

Autores originales: Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

Publicado 2026-07-24

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Imtiaz Ahmad, Mehwish Zada, Laila Noor, Ebenezer Bonyah, Sapna Ajmal, Sehra Khan

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el internet no como una nube de datos, sino como una bulliciosa e invisible ciudad donde millones de computadoras viven, hablan e intercambian información. Al igual que una ciudad llena de personas, esta metrópolis digital puede enfermarse. Cuando un virus informático o una pieza de software malicioso (malware) encuentra una vía de entrada, no se queda simplemente allí; se propaga, infectando a los vecinos y convirtiéndolos en nuevos portadores de la enfermedad. Este es el mundo de la ciberseguridad, un campo dedicado a mantener segura nuestra ciudad digital. Durante años, los científicos han intentado predecir estos brotes utilizando "modelos compartimentales", que son básicamente mapas sofisticados que clasifican a las computadoras en diferentes grupos: aquellas que están sanas, aquellas que están enfermas pero lo ocultan, aquellas que están propagando activamente el virus y aquellas que han sido curadas o destruidas. Si bien estos mapas son útiles, los antiguos a menudo pasaban por alto algunas de las partes más astutas del juego, como la fase de "latencia", donde una computadora está infectada pero aún no ha comenzado a atacar, o el papel específico de una computadora que ha sido secuestrada para lanzar ataques organizados.

En este nuevo estudio, un equipo de investigadores de universidades de Pakistán, Ghana, Azerbaiyán y Turquía ha construido un mapa de carretera más detallado de seis carriles sobre cómo viajan los ciberataques. Llaman a su modelo "SEAMRD", que representa Susceptible, Expuesto, Malicioso, Atacante, Recuperado y Muerto (Susceptible, Exposed, Malicious, Attacker, Recovered, and Dead). Piensa en esto como un juego de persecución digital con seis roles distintos. Una computadora comienza como Susceptible (sana pero vulnerable). Es marcada y se convierte en Expuesta (infectada pero durmiendo, como un agente durmiente). Luego, despierta como Maliciosa (infectada y propagando el virus). Algunas de estas despiertan de forma aún más agresiva como Atacantes (lanzando ataques nuevos y activos). La buena noticia es que algunas se Recuperan (parcheadas y seguras), mientras que el peor de los escenarios es que quedan Muertas (permanentemente dañadas y eliminadas de la red). Los investigadores utilizaron matemáticas complejas para simular cómo interactúan estos grupos, calculando un "número de propagación" (llamado $R_0$ ) que nos dice qué tan probable es que un brote tome el control de toda la red. Sus simulaciones sugieren que la velocidad a la que el virus se propaga es el mayor motor de un brote, pero que los sistemas de recuperación fuertes y la "conciencia" (como mejores actualizaciones de seguridad) pueden actuar como un escudo, ralentizando la propagación y potencialmente deteniendo la epidemia antes de que se apodere de la red.

La Ciudad Digital y sus Seis Zonas

Para entender lo que hicieron estos investigadores, recorramos su ciudad digital. En el mundo real, si te resfrías, podrías sentirte bien durante algunos días antes de empezar a estornudar sobre todos. En el mundo de las computadoras, esto se llama fase "Expuesta". Una computadora ha sido golpeada por un virus, pero aún no lo está propagando. Los modelos antiguos solían saltarse este paso o agruparlo con la fase "enferma". Pero este equipo se dio cuenta de que, en el mundo cibernético, la diferencia entre un virus durmiente y uno activo es enorme.

Dividieron cada computadora en su red en seis cubetas:

Susceptible (S): Estas son las computadoras sanas, abiertas y listas para ser infectadas. Son la población "no infectada".
Expuesta (E): Estas computadoras han sido golpeadas por un virus pero están en un estado "latente" o durmiente. Están infectadas pero aún no las propagan. Es como una computadora que tiene un archivo de virus descargado pero aún no lo ha ejecutado.
Maliciosa (M): Ahora el virus está despierto. Estas computadoras están infectadas y están propagando activamente el malware a otras.
Atacante (A): Esta es la parte aterradora. Algunas computadoras infectadas no solo propagan el virus; se convierten en "zombis" utilizados para lanzar ataques organizados y agresivos contra otros sistemas. Los investigadores trataron estos casos como un grupo separado y altamente peligroso.
Recuperada (R): Estas son las computadoras que han sido limpiadas, parcheadas y aseguradas. Están de vuelta en el juego, seguras de la infección actual.
Muerta (D): A veces, un virus es tan destructivo que colapsa el sistema permanentemente. Estas computadoras están "muertas": son eliminadas de la red y ya no pueden infectarse ni infectar a otras.

La Matemática detrás de la Locura

Los investigadores no solo adivinaron cómo interactúan estos grupos; escribieron un conjunto de ecuaciones (un sistema de ecuaciones diferenciales no lineales) para describir el flujo de computadoras entre estos seis estados. Imagina un sistema de tanques de agua donde el agua fluye de un tanque a otro. El tanque "Susceptible" pierde agua hacia el tanque "Expuesto" cuando un virus golpea. El tanque "Expuesto" drena hacia el tanque "Malicioso" cuando el virus despierta. El tanque "Malicioso" puede drenar hacia el tanque "Atacante", el tanque "Recuperado" o el tanque "Muerto".

Una de las cosas más importantes que calcularon es algo llamado $R_0$ (el número de propagación básico). En términos simples, $R_0$ es una puntuación que te dice: "Si una computadora infectada entra en una red de computadoras sanas, ¿cuántas computadoras nuevas infectará en promedio?".

Si $R_0$ es menor que 1, el virus eventualmente morirá. Es como un fuego que no tiene suficiente combustible para seguir ardiendo.
Si $R_0$ es mayor que 1, el virus se propagará exponencialmente, causando una epidemia.

El equipo utilizó un método llamado "matriz de siguiente generación" para calcular esta puntuación para su modelo SEAMRD específico. Encontraron que la tasa de transmisión (qué tan fácil salta el virus de una computadora a otra) es el factor más dominante. Si el virus se propaga fácilmente, el $R_0$ se dispara. Sin embargo, también descubrieron que aumentar la "tasa de recuperación" (qué tan rápido parcheamos y arreglamos las computadoras) y la "tasa de conciencia" (qué tan rápido detectamos y detenemos el ataque) puede reducir el $R_0$ .

La Estabilidad del Sistema

Los investigadores luego se hicieron una pregunta crucial: "¿Es este sistema estable?". En términos matemáticos, querían saber si la red regresaría naturalmente a un estado saludable o si se quedaría estancada en un estado de infección constante.

Demostraron dos cosas principales:

El estado de "Sin Virus" es estable (si $R_0 < 1$ ): Si la tasa de transmisión es lo suficientemente baja (lo que significa que el virus no es muy contagioso o que somos muy buenos reparando cosas), la red se asentará naturalmente en un estado donde ninguna computadora está infectada. Utilizaron una herramienta matemática llamada "función de Lyapunov" para probar que, sin importar cómo comience el virus, eventualmente desaparecerá si $R_0$ es inferior a 1.
El estado "Infectado" es estable (si $R_0 > 1$ ): Si el virus es demasiado fuerte y $R_0$ es superior a 1, la red se asentará en un estado donde el virus siempre estará presente. No desaparecerá por sí solo. El sistema alcanzará un "Equilibrio Malicioso" donde siempre habrá un cierto número de computadoras infectadas, atacantes y muertas.

¿Qué hace que el virus gane o pierda?

Para determinar qué palancas podemos mover para detener un ataque, el equipo realizó un "análisis de sensibilidad". Esto es como probar qué perillas de una máquina tienen el mayor efecto sobre el resultado. Ajustaron cada parámetro en sus ecuaciones para ver cuánto cambiaba su puntuación de $R_0$ .

Los resultados fueron claros:

La Tasa de Transmisión ( $\beta$ ): Este es el gran jefe. Si el virus se propaga más rápido, la infección explota. Este parámetro tiene la influencia positiva más grande sobre el $R_0$ .
La Tasa de Recuperación ( $\gamma$ ) y la Tasa de Eliminación ( $\delta$ ): Estos son los héroes. Si podemos reparar las computadoras más rápido (recuperación) o eliminar las que están rotas de la red (eliminación), la puntuación de $R_0$ cae significativamente.
La Transición de "Atacante" ( $\pi_A$ ): La tasa a la que una computadora "Maliciosa" se convierte en "Atacante" también importa. Cuanto más agresivas se vuelven las computadoras infectadas, más difícil es detener la propagación.

La Conclusión

El estudio concluye que, si bien no podemos detener cada ciberataque, podemos controlar su propagación. Las simulaciones sugieren que si nos enfocamos en sistemas de recuperación vigorosos (reparar las computadoras rápidamente) y mecanismos de control adecuados (detener el virus antes de que se propague), podemos reducir el número de infecciones.

Los investigadores no solo dijeron "es una buena idea"; usaron matemáticas rigurosas para probar que, si podemos mantener baja la tasa de transmisión y alta la tasa de recuperación, la red puede volver a un estado seguro y libre de virus. Sin embargo, si el virus es demasiado fuerte ( $R_0 > 1$ ), la red permanecerá en un estado de batalla constante. La clave, encontraron, es entender que no todas las computadoras infectadas son iguales. Algunas solo están durmiendo, otras están propagándose y otras están atacando activamente. Al tratarlas de manera diferente en nuestras estrategias de defensa, podemos construir una ciudad digital más resiliente.

Al final, este artículo es un plano para una defensa más inteligente. Nos dice que, al reconocer las diferentes etapas de un ciberataque y reaccionar con la velocidad adecuada, podemos inclinar la balanza a nuestro favor, convirtiendo un potencial apocalipsis digital en un evento manejable y contenido. La matemática dice: si parcheas rápido y difundes la conciencia, el virus pierde.

Resumen Técnico: Modelado Matemático de la Dinámica de Amenazas de Ciberseguridad mediante un Enfoque Compartimental

Planteamiento del Problema
En una sociedad cada vez más conectada, la expansión exponencial de Internet, la computación en la nube y los dispositivos IoT ha ampliado significativamente la superficie de ataque para las ciberamenazas, que van desde virus y gusanos hasta el ransomware y las estrategias de APT. Las medidas de ciberseguridad existentes, como los cortafuegos y los sistemas de detección de intrusiones, suelen ser reactivas y no logran abordar la naturaleza adaptativa de los ataques modernos o los mecanismos de propagación subyacentes. Además, los modelos epidemiológicos tradicionales (por ejemplo, SI, SIS, SIR) adaptados a las redes informáticas a menudo carecen de la granularidad necesaria para representar fases específicas de la ciberseguridad, como la latencia (dormancia), la reactivación organizada y la distinción entre la infección pasiva y la propagación activa. En consecuencia, existe la necesidad de un modelo compartimental extendido que capture estas etapas latentes y proporcione un razonamiento de umbral riguroso para determinar si ocurrirá una ciberepidemia a gran escala.

Metodología
Los autores proponen un nuevo modelo compartimental, denominado modelo SEAMRD, derivado de principios epidemiológicos pero adaptado a la dinámica específica de los ciberataques. La población total de la red se divide en seis compartimentos distintos:

Susceptibles (S): Nodos abiertos al ataque.
Expuestos (E): Nodos que han encontrado una amenaza pero permanecen latentes o en estado de dormancia.
Maliciosos (M): Nodos infectados capaces de propagar malware pero que aún no atacan activamente.
Atacantes (A): Nodos que propagan activamente el ataque (altamente infecciosos).
Recuperados (R): Sistemas asegurados o reparados.
Muertos (D): Sistemas permanentemente comprometidos o no funcionales.

La dinámica está gobernada por un sistema de ecuaciones diferenciales no lineales. La fuerza de infección, $\lambda(t)$ , se define como una función de la tasa de transmisión y la probabilidad de propagación desde nodos maliciosos, atacantes y no autorizados.

El estudio emplea las siguientes técnicas analíticas:

Análisis de Bien Poseimiento: Demostrar la positividad, acotación, existencia y unicidad de las soluciones para asegurar que el modelo es matemática y biológicamente válido.
Análisis de Equilibrio: Derivar el Equilibrio Libre de Malware (MFE) y el Equilibrio Malicioso (ME).
Número de Propagación Básica ( $R_0$ ): Calcular $R_0$ utilizando el método de la Matriz de la Siguiente Generación para determinar el umbral de persistencia del brote.
Análisis de Estabilidad: Realizar tanto el análisis de estabilidad local (mediante matrices Jacobianas y criterios de Routh-Hurwitz) como el análisis de estabilidad global (utilizando funciones de Lyapunov y el Principio de Invariancia de LaSalle).
Análisis de Sensibilidad: Calcular índices de sensibilidad directa normalizados para identificar qué parámetros influyen más significativamente en $R_0$ .
Simulación Numérica: Realizar análisis de bifurcación y simulaciones para visualizar el comportamiento del sistema bajo la variación de parámetros.

Contribuciones Clave

Extensión del Modelo: El artículo introduce un modelo de seis compartimentos que separa explícitamente la fase "Expuesta" (latente) de las fases "Maliciosa" y de "Atacante", abordando una brecha en los modelos anteriores que a menudo confundían la infección pasiva con la propagación activa.
Rigurosidad Matemática: Los autores proporcionan pruebas exhaustivas del bien poseimiento de su modelo y establecen las condiciones para la estabilidad tanto local como global de los puntos de equilibrio.
Determinación del Umbral: La derivación de $R_0$ ofrece un umbral cuantitativo para predecir si un ciberataque desaparecerá ( $R_0 < 1$ ) o persistirá ( $R_0 > 1$ ) dentro de la red.
Sensibilidad de Parámetros: El análisis de sensibilidad identifica la tasa de transmisión ( $\beta$ ) como el factor dominante en la propagación del malware, mientras destaca que las tasas de recuperación ( $\gamma$ ) y los parámetros de eliminación juegan papeles críticos en la reducción de la propagación de la infección.

Resultos

Condiciones de Estabilidad: Se demuestra que el Equilibrio Libre de Malware (MFE) es local y globalmente asintóticamente estable si $R_0 < 1$ . Por el contrario, si $R_0 > 1$ , el MFE se vuelve inestable y el sistema converge a un Equilibrio Malicioso (ME), lo que indica una ciberepidemia persistente.
Influencia de los Parámetros: Los gráficos de superficie y los índices de sensibilidad revelan que $R_0$ aumenta con tasas de transmisión ( $\beta$ ) más altas y disminuye con tasas de concienciación ( $\pi_A$ ) más altas, tasas de eliminación natural ( $\mu$ ) y tasas de recuperación ( $\gamma$ ).
Implicaciones de Control: El análisis demuestra que los sistemas de recuperación vigorosos y los mecanismos de control adecuados pueden reducir eficazmente la propagación de los ataques. Específicamente, se muestra que aumentar la tasa a la que los nodos infectados son recuperados o eliminados es una estrategia viable para la contención.

Significado
El artículo afirma que su principal importancia radica en proporcionar un marco teórico y sugerencias analíticas para guiar el diseño de estrategias de contramedidas de ciberseguridad efectivas. Al generalizar la dinámica de propagación de virus para incluir la gestión junto con los modelos de enfermedades epidémicas, el estudio ofrece una representación más realista de la propagación de las ciberamenazas. La identificación de $R_0$ y la sensibilidad de parámetros específicos (particularmente las tasas de transmisión y recuperación) permite a los administradores de redes comprender los parámetros umbral necesarios para controlar los brotes, yendo más allá de la gestión reactiva de síntomas hacia una defensa proactiva basada en mecanismos. El modelo sirve como una herramienta para estimar la escala potencial de un ataque y evaluar la eficacia de diferentes estrategias de intervención antes de que sean implementadas en redes del mundo real.