💻 computer science

Decentralized AI-Powered Zero-Trust Identity and Access Management Using Blockchain and Deepfake-Resistant Multimodal Biometrics

Este artículo propone un marco de gestión de identidad y acceso (IAM) descentralizado, impulsado por IA y basado en el modelo de Confianza Cero (DAZT-IAM), que integra blockchain permisionada, identidad soberana y biometría multimodal resistente a deepfakes con una puntuación de riesgo continua y adaptativa para eliminar los puntos únicos de falla y contrarrestar ataques de suplantación de identidad sofisticados.

Autores originales: Anithalakshmi V¹, Raja P², N Sripriya, M Lavanya

Publicado 2026-08-11

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Anithalakshmi V¹, Raja P², N Sripriya, M Lavanya

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 como una ciudad enorme y bulliciosa donde todos intentan entrar en diferentes edificios, desde acogedoras cafeterías hasta bóvedas de alta seguridad. Durante mucho tiempo, los guardias de seguridad en las puertas de la ciudad revisaban tu identificación solo una vez cuando llegabas. Si tu identificación parecía buena, te dejaban pasar y asumían que estabas a salvo por el resto del día, incluso si te metías en un área restringida o empezabas a actuar de forma extraña. Pero últimamente, la ciudad ha cambiado. La gente trabaja desde casa, usa dispositivos en todas partes y las "murallas de la ciudad" han desaparecido. Ahora, un nuevo tipo de alborotador ha llegado: el "Deepfake". Estos son obras maestras digitales creadas por computadoras que pueden imitar perfectamente tu rostro y tu voz, engañando incluso a los guardias más inteligentes para que piensen que un falso es real. Para resolver esto, los científicos están construyendo un nuevo tipo de sistema de seguridad llamado "Zero-Trust" (Confianza Cero). Piensa en él como un guardia que nunca confía en nadie, ni siquiera en ti, y que revisa tu identificación, tu voz y tu comportamiento cada vez que intentas abrir una puerta, sin importar dónde estés en la ciudad.

Este artículo presenta un nuevo sistema de seguridad superinteligente llamado DAZT-IAM. Es un poco como un club con porteros de alta tecnología que utiliza tres herramientas poderosas trabajando juntas: un libro de contabilidad digital que no se puede borrar (Blockchain), un equipo de detectives de IA que pueden detectar rostros y voces falsas (Detección de Deepfakes) y un "medidor de confianza" que verifica constantemente si sigues siendo quien dices ser. Los investigadores construyeron este sistema para detener a los hackers que roban contraseñas o usan falsificaciones generadas por computadora para irrumpir. Probaron su idea utilizando simulaciones por computadora y descubrieron que su sistema es mucho mejor para detectar a estos impostores falsos que los métodos antiguos, mientras permite la entrada rápida a las personas reales.

El Viejo Camino vs. El Nuevo Camino

En los viejos tiempos, entrar en un sistema seguro era como mostrar una tarjeta de acceso en la puerta principal. Una vez que el guardia la pasaba por el lector y decía "adelante", eras libre de recorrer el edificio. Pero si alguien robaba tu tarjeta o si un hacker usaba una foto perfecta de tu rostro para engañar a la cámara, podrían entrar directamente y quedarse allí para siempre. El artículo argumenta que este modelo de "verificar una vez, confiar para siempre" está roto. Depende demasiado de una única computadora central para guardar todas las llaves, lo que la convierte en un objetivo jugoso para los ladrones.

El nuevo sistema, DAZT-IAM, cambia las reglas por completo. Opera bajo un principio simple: Nunca confíes, siempre verifica. En lugar de una gran computadora central que guarda todas las llaves, el sistema utiliza un Blockchain. Imagina un cuaderno gigante y público que todos en el club pueden ver, pero que nadie puede borrar o cambiar una vez que algo se ha escrito en él. Este cuaderno contiene tu identidad digital (llamada "Identificador Descentralizado" o DID). Debido a que este cuaderno es compartido por muchas computadoras, no hay una única computadora "jefe" que pueda ser hackeada. Si un hacker intenta cambiar el cuaderno para decir que es usted, las otras computadoras dirán: "No, eso no coincide", y rechazarán el cambio.

El Portero de IA y la Trampa del "Deepfake"

La parte más emocionante de este nuevo sistema es cómo maneja el problema del "Deepfake". Los deepfakes son como marionetas digitales; las computadoras ahora pueden hacer videos de personas diciendo cosas que nunca dijeron o pareciendo que están haciendo cosas que no están haciendo. Los sistemas de seguridad antiguos suelen ser engañados por estos.

El sistema DAZT-IAM utiliza un enfoque Biométrico Multimodal. En lugar de solo revisar tu rostro, revisa tres cosas a la vez:

Tu Rostro: Observa tu transmisión de video.
Tu Voz: Escucha lo que dices.
Tu Comportamiento: Observa cómo escribes o mueves el ratón.

Pero aquí está el truco ingenioso: tiene un "Detector de Deepfakes" especial integrado. Piensa en este detector como un artista forense que busca grietas diminutas e invisibles en la pintura digital. Los rostros y las voces humanas reales tienen imperfecciones y ritmos naturales y diminutos. Los falsos generados por computadora suelen tener pequeños fallos en su tiempo o patrones de color que los humanos no pueden ver, pero la IA sí puede detectar. El sistema analiza estos "artefactos en el dominio de la frecuencia" (palabras elegantes para pequeños fallos digitales) y verifica si el video se mueve de una manera que parezca real a lo largo del tiempo. Si la IA sospecha que el rostro o la voz es un falso, reduce inmediatamente tu "puntaje de confianza", incluso si el rostro parece perfecto.

El "Medidor de Confianza" que Nunca Duerme

El tercer ingrediente mágico es la Calificación de Confianza Continua. En el sistema antiguo, una vez que estabas dentro, estabas a salvo. En este nuevo sistema, el guardia de seguridad te está observando todo el tiempo.

Imagina que estás en una sala segura. Cada pocos segundos, el sistema pregunta: "¿Es esta todavía la persona real? ¿Es la computadora segura? ¿Estoy en el lugar correcto?". Combina tus puntajes biométricos (rostro, voz, escritura) con pistas de contexto (como "¿Esta persona está de repente iniciando sesión desde un país diferente?"). Calcula un Puntaje de Confianza entre 0 y 1.

Si tu puntaje es alto (cercano a 1), mantienes tu acceso.
Si tu puntaje baja (tal vez porque tu estilo de escritura cambió o el sistema cree que tu sesión fue secuestrada), el sistema no solo te deja quedarte. Podría pedirte que demuestres quién eres nuevamente ("autenticación de nivel superior") o expulsarte por completo.

Esto significa que incluso si un hacker roba tu contraseña y entra, en el momento en que intente hacer algo sospechoso o el sistema note que algo está "mal", tu acceso se corta. El artículo muestra que, en sus simulaciones, esta verificación continua es lo que detiene el "secuestro de sesión" (donde un hacker toma el control de una sesión iniciada).

Lo que Dicen los Números

Los investigadores probaron su sistema utilizando datos simulados para ver cómo se comparaba con los métodos anteriores. Esto es lo que encontraron:

Precisión: El nuevo sistema identificó correctamente a los usuarios reales el 98.6% de las veces. Esto es ligeramente mejor que un sistema de contraseña simple (91.2%) y un poco mejor que un sistema que solo verifica tu rostro (95.4%).
Detección de Falsos: Aquí es donde el nuevo sistema brilla. Ante ataques de deepfake, el sistema antiguo de "solo rostro" solo detectó el 38.7% de ellos. El nuevo sistema DAZT-IAM detectó el 96.1% de los falsos. ¡Esa es una diferencia enorme!
Velocidad: El nuevo sistema tarda un poco más en tomar una decisión (unos 310 milisegundos en promedio) en comparación con una verificación de contraseña simple (180 milisegundos). Sin embargo, los autores señalan que este retraso sigue siendo muy rápido —menos de un segundo— y es un precio pequeño a pagar por una seguridad tan alta.

Los Escenarios de "¿Qué Pasaría Si...?"

Para asegurarse de que su sistema realmente estaba haciendo el trabajo pesado, los investigadores intentaron quitar partes del mismo para ver qué sucedía. Esto se llama un "estudio de ablación".

Cuando eliminaron el Detector de Deepfakes, la capacidad del sistema para detener atacantes disminuyó significativamente. La "Tasa de Éxito del Atacante" pasó de un bajo 2.4% a un 31.8%. Esto demuestra que el detector de deepfakes es la parte más importante para detener los medios falsos.
Cuando eliminaron la Re-calificación Continua (haciendo que solo verificara una vez al iniciar sesión), la tasa de éxito del atacante para el secuestro de sesión saltó del 2.4% al 18.3%. Esto demuestra que verificar solo una vez no es suficiente; hay que seguir verificando.

¿Es Perfecto?

El artículo es muy honesto sobre lo que aún no ha resuelto. Los resultados que mostraron provienen de simulaciones, no de una prueba en el mundo real en una gran empresa. Los autores sugieren que, en el mundo real, tendrían que ajustar cuidadosamente el sistema para que no bloquee accidentalmente a personas reales (falsas alarmas). También señalan que, a medida que los hackers mejoren en la creación de deepfakes, los detectores de IA deberán seguir aprendiendo y actualizándose. Además, debido a que este sistema utiliza blockchain, funciona mejor en un grupo de organizaciones de confianza (una red "permisionada") en lugar de un internet público completamente abierto, lo que añade complejidad.

El Panorama General

En resumen, este artículo sugiere que al combinar un libro de contabilidad digital a prueba de manipulaciones (Blockchain), un equipo de detectives de IA que pueden detectar falsificaciones digitales y un guardia de seguridad que nunca deja de vigilar, podemos construir un internet mucho más seguro. Nos alejamos de la idea de las "llaves de un solo uso" y nos movemos hacia un mundo donde tu identidad es verificada constantemente, haciendo que sea increíblemente difícil para los hackers usar contraseñas robadas o rostros falsos para irrumpir. Aunque no es una solución mágica que lo resuelva todo instantáneamente, las simulaciones sugieren que es un paso muy sólido hacia adelante para mantener nuestras vidas digitales seguras.

Resumen Técnico: Gestión de Identidad y Acceso con IA Descentralizada y Confianza Cero (DAZT-IAM)

1. Planteamiento del Problema

Los sistemas tradicionales de Gestión de Identidad y Acceso (IAM) dependen de credenciales estáticas y autoridades centralizadas, lo que crea puntos únicos de falla vulnerables al robo de credenciales, el uso indebido por parte de personal interno y ataques sofisticados de suplantación mediante deepfakes. La transición hacia servicios en la nube, el trabajo remoto y el IoT ha dejado obsoleta la seguridad basada en perímetros, haciendo necesaria una Arquitectura de Confianza Cero (ZTA) basada en el principio de "nunca confiar, siempre verificar". Sin embargo, las implementaciones actuales de ZTA suelen retener proveedores de identidad (IdP) centralizados y dependen de biometría de modalidad única o contraseñas estáticas, las cuales son cada vez más susceptibles a ataques de deepfakes en tiempo real (redes GAN y modelos de difusión) y al secuestro de sesiones. Existe una brecha crítica en las soluciones actuales que no abordan simultáneamente la identidad descentralizada, la verificación continua adaptativa al riesgo y una defensa robusta contra la suplantación por medios sintéticos.

2. Metodología Propuesta: DAZT-IAM

Los autores proponen DAZT-IAM, un marco que integra tres pilares fundamentales: identidad descentralizada respaldada por blockchain, control de acceso de confianza cero continuo y biometría multimodal resiliente a los deepfakes. El sistema opera a través de cuatro capas cooperativas:

A. Arquitectura del Sistema

Capa de Identidad: Utiliza una blockchain permisionada (p. ej., Hyperledger Fabric) para almacenar Identificadores Descentralizados (DIDs) y Credenciales Verificables (VCs). Mantiene un libro de auditoría inmutable para eventos de emisión, presentación y revocación. Crucialmente, solo se anclan en la cadena los hashes criptográficos de las plantillas biométricas; los datos biométricos brutos permanecen fuera de la cadena para preservar la privacidad.
Capa de Autenticación Biométrica: Un flujo multimodal que captura video facial, voz y señales de comportamiento (dinámica de pulsación de teclas/gestos). Incluye un módulo dedicado de detección de deepfakes que analiza artefactos en el dominio de la frecuencia y la consistencia temporal para distinguir entre contenido genuino y sintético.
Capa de Puntuación de Confianza por IA: Un motor adaptativo al riesgo que fusiona puntuaciones de confianza biométrica con señales contextuales (postura del dispositivo, anomalías de red, geo-velocidad, hora del día) para generar una puntuación de confianza continua ( $T \in [0,1]$ ).
Capa de Decisión y Ejecución de Políticas: Los contratos inteligentes codifican las políticas de Confianza Cero, emitiendo tokens de acceso de corta duración y alcance limitado solo cuando la puntuación de confianza supera un umbral específico del recurso ( $\theta_r$ ). El acceso se revoca automáticamente si la puntuación cae a mitad de la sesión.

B. Algoritmos Principales y Lógica

Fusión Biométrica: El sistema emplea un esquema de fusión tardía ponderada para calcular una puntuación biométrica compuesta ( $S_{bio}$ ):
$S_{bio} = w_f \cdot S_{face} + w_v \cdot S_{voice} + w_b \cdot S_{behavior} - \lambda \cdot D_{deepfake}$
Aquí, $D_{deepfake}$ representa una puntuación de sospecha del detector de deepfakes. Si se detecta contenido sintético, el término de penalización ( $\lambda$ ) reduce drásticamente la puntuación general, incluso si las métricas de similitud bruta son altas.
Decisión de Acceso Continuo: A diferencia de los modelos de "autenticar una vez", el sistema vuelve a verificar en intervalos configurables ( $\Delta t$ $Δ t$ ) o ante disparadores de anomalías.
- Si $T \ge \theta_r$ : El acceso es permitido con un token de alcance limitado.
- Si $\theta_r - \epsilon \le T < \theta_r$ : Se activa una autenticación de "escalada" (Step-up).
- Si $T < \theta_r - \epsilon$ : Los tokens activos se revocan y el acceso es denegado.
Mitigación de Amenazas: La arquitectura está diseñada para que ninguna capa comprometida (credenciales, una modalidad biométrica o un token de sesión) otorgue acceso sostenido. El abuso interno se mitiga mediante la exigencia de transacciones aprobadas por consenso para los cambios de política.

3. Contribuciones Clave

El artículo describe cuatro contribuciones principales:

Arquitectura de IAM Descentralizada: Un sistema basado en blockchain permisionada utilizando DIDs y VCs que elimina los almacenes de identidad centralizados y proporciona pistas de auditoría a prueba de manipulaciones.
Pipeline Multimodal Resiliente a Deepfakes: Integración de biometría facial, de voz y de comportamiento con un módulo especializado en detección de liveness (vitalidad) y medios sintéticos.
Motor de Puntuación de Confianza Continua: Un mecanismo impulsado por IA que reevalúa el riesgo en cada solicitud basándose en señales contextuales dinámicas en lugar de un evento de inicio de sesión estático.
Evaluación Empírica: Una evaluación exhaustiva de la precisión de la autenticación, las tasas de detección de deepfakes y la latencia en escenarios empresariales simulados.

4. Resultados Experimentales

El marco fue evaluado en un banco de pruebas de Hyperledger Fabric con 4 a 20 pares (peers) y tráfico simulado (50 a 500 solicitudes/minuto).

Métricas de Desempeño:
- Precisión de Autenticación: El DAZT-IAM propuesto logró un 98.6%, superando al IAM biométrico de modalidad única (95.4%) y al IAM basado solo en contraseñas (91.2%).
- Detección de Deepfakes: El sistema alcanzó una tasa de detección de deepfakes del 96.1%, una mejora significativa sobre la tasa del 38.7% de los sistemas de modalidad única (solo rostro).
- Latencia: La latencia promedio de decisión fue de 310 ms, un aumento modesto respecto a las líneas base debido a la fusión multimodal y el consenso de blockchain, pero manteniéndose dentro de los límites de sub-segundo para uso interactivo.
Estudio de Ablación:
- Eliminar la rama de detección de deepfakes aumentó la tasa de éxito del atacante del 2.4% al 31.8%, confirmando su papel crítico.
- Eliminar la re-puntuación continua (revirtiendo a solo inicio de sesión) aumentó la tasa de éxito del atacante para el secuestro de sesión del 2.4% al 18.3%.
Escalabilidad: El rendimiento mejoró de forma sublineal con la adición de pares, mientras que la latencia aumentó gradualmente. El sistema desacopla la latencia percibida por el usuario de la finalidad completa de la transacción al devolver las decisiones de forma asíncrona respecto a las escrituras en el libro mayor.

5. Significación y Reivindicaciones

El artículo afirma que DAZT-IAM proporciona un enfoque pragmático para una gestión de identidad resiliente y preservadora de la privacidad, cerrando la brecha entre la identidad descentralizada, la verificación continua y la resistencia a los deepfakes. Los autores enfatizan que ningún enfoque previo satisface las cuatro dimensiones críticas: identidad descentralizada, verificación continua, resistencia nativa a deepfakes y auditabilidad en la cadena.

La significación del trabajo radica en su demostración de que la integración de la descentralización basada en blockchain con la evaluación de confianza continua basada en IA puede mitigar eficazmente tanto los ataques de suplantación basados en credenciales como los basados en medios sintéticos. El marco elimina la dependencia de proveedores de identidad centralizados, asegurando al mismo tiempo que las decisiones de acceso sean dinámicas, conscientes del contexto y auditables.

6. Limitaciones y Trabajo Futuro

Los autores mantienen un tono modesto respecto al estado actual de la investigación:

Naturio Ilustrativo: Los resultados se basan en tráfico simulado y conjuntos de datos públicos aumentados con muestras sintéticas, no en un despliegue de producción de extremo a extremo.
Amenazas Evolutivas: El módulo de detección de deepfakes se evalúa contra técnicas de generación conocidas; los modelos generativos adversarios o nuevos modelos de difusión podrían reducir la precisión con el tiempo, lo que requiere un aprendizaje continuo.
Sensibilidad de Configuración: Los hiperparámetros (pesos de fusión, umbrales) son específicos de cada organización y requieren ajustes empíricos y auditorías de equidad para prevenir sesgos.
Alcance de Despliegue: El diseño actual asume un consorcio permisionado; extenderlo a blockchains públicas o sin permiso presenta desafíos adicionales de consenso y resistencia a Sybil.

El trabajo futuro incluye pilotos empresariales en vivo, la integración de pruebas de conocimiento cero (zero-knowledge proofs) para la presentación de credenciales que preserven la privacidad y el desarrollo de modelos de detección de deepfakes adversariamente robustos.