Resumen Técnico: IA Desplegable para la Seguridad de IoT/IIoT

Planteamiento del Problema

Si bien la Inteligencia Artificial (IA) se aplica cada vez más para asegurar los sistemas de Internet de las Cosas (IoT) e Internet de las Cosas Industriales (IIoT), existe una brecha significativa entre el rendimiento en pruebas de referencia (benchmarks) y la preparación operativa. La literatura actual suele reportar una alta precisión de detección en conjuntos de datos curados, pero estos resultados frecuentemente no se traducen a despliegues en el mundo real caracterizados por etiquetas escasas o ruidosas, flotas de dispositivos heterogéneas, deriva de conceptos (concept drift) y restricciones estrictas de latencia, memoria y energía. Los controles de seguridad tradicionales suelen ser reactivos y luchan contra el volumen y la velocidad de la telemetría de IoT. Además, las revisiones existentes tienden a estar fragmentadas por tareas específicas (p. ej., detección de intrusiones), paradigmas (p. ej., aprendizaje federado) o dominios (p. ej., salud), careciendo de una visión integrada de cómo las técnicas de IA se mapean con las tareas de seguridad bajo las restricciones específicas de la capacidad de despliegue. El problema central abordado es la falta de evidencia que respalde la transición de los métodos de seguridad basados en IA desde experimentos aislados de benchmark hacia un aseguramiento de grado de despliegue en entornos operativos de IoT/IIoT.

Metodología

Este estudio es una revisión sistemática de la literatura realizada de acuerdo con los principios PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

• Corpus: La revisión sintetiza 154 artículos de revistas revisados por pares publicados entre enero de 2021 y noviembre de 2025.
• Criterios de Selección: Los estudios se restringieron a artículos de revistas Q1/Q2 para asegurar evidencia madura y revisada por pares. La elegibilidad requería la aplicación explícita de IA o técnicas basadas en datos a problemas de seguridad de IoT/IIoT con suficiente detalle metodológico y experimental. Se excluyeron artículos de conferencias, preprints y estudios que no fueran de IA.
• Estrategia de Búsqueda: Las búsquedas se realizaron en seis bases de datos (IEEE Xplore, ACM Digital Library, Scopus, Web of Science, ScienceDirect, SpringerLink) utilizando una combinación de términos de contexto de IoT/IIoT, términos de objetivos de seguridad y términos de técnicas de IA. Se identificaron registros adicionales mediante el seguimiento de citas y revisiones manuales de revistas.
• Evaluación de Calidad: Se aplicó una rúbrica estructurada de ocho criterios a los 154 estudios, puntuando la definición del problema, la transparencia de los datos, los protocolos de evaluación, las líneas base (baselines), el reporte de métricas, la reproducibilidad, las limitaciones y la evidencia de despliegue. Los estudios se clasificaron como de alta, media o baja calidad basándose en puntuaciones que oscilaban de 0 a 16.
• Síntesis: El análisis combinó la codificación cuantitativa descriptiva (distribución de familias de IA, tareas, conjuntos de datos, métricas) con la interpretación narrativa crítica centrada en las restricciones operativas: carga de etiquetado, transferencia entre contextos, viabilidad de recursos y explicabilidad.

Contribuciones Clave

1. Taxonomía Unificada: El documento desarrolla una taxonomía que vincula las familias de técnicas de IA (p. ej., ML clásico, aprendizaje profundo, aprendizaje federado) con funciones de seguridad específicas de IoT/IIoT (p. ej., detección de intrusiones, detección de anomalías, autenticación de dispositivos).
2. Mapeo de Evidencia: Mapea la distribución de la investigación, identificando concentraciones dominantes en tareas de detección y áreas operativas subexploradas como el aseguramiento de identidad, la detección de amenazas internas y la localización de la causa raíz.
3. Evaluación Orientada al Despliegue: En lugar de centrarse únicamente en la precisión, la revisión evalúa la evidencia basada en restricciones operativas, incluyendo el realismo de los datos, los protocolos de validación (p. ej., divisiones disjuntas por escenario vs. aleatorias) y el reporte de costos de tiempo de ejecución y robustez.
4. Agenda de Madurez: Los autores proponen una agenda accionable para lograr una IA desplegable, enfatizando la necesidad de protocolos estandarizados de "entrenar aquí-desplegar allá", validación consciente de la deriva y explicabilidad validada con usuarios operativos.

Resultados Clave

• Tendencias de Publicación: El volumen de investigación se expandió rápidamente después de 2022, con la mayor concentración en 2024. El campo está pasando de estudios de prueba de concepto hacia la diversificación metodológica, incluyendo aprendizaje federado y robustez adversarial.
• Distribución de Técnicas de IA: El corpus está dominado por tres familias: Aprendizaje Automático Clásico (39.6%), Aprendizaje Federado/Dividido/Enjambre (15.6%) y Aprendizaje Profundo (14.3%). Juntas, estas representan casi el 70% de los estudios.
• Desequilibrio de Tareas: La investigación está fuertemente concentrada en la Detección de Intrusiones (31.2%) y la Detección de Anomalías (18.2%), sumando un 49.4% del corpus. Funciones operativas críticas como la autenticación (1.3%), la detección de amenazas internas (1.3%) y la respuesta ante amenazas (2.6%) permanecen significativamente subexploradas.
• Problemas de Conjuntos de Datos y Validación: La revisión destaca que las afirmaciones de rendimiento suelen estar infladas por el uso de conjuntos de datos no nativos de IoT (p. ej., NSL-KDD) o divisiones aleatorias a nivel de flujo que filtran datos entre el entrenamiento y las pruebas. Se encuentra evidencia más sólida en estudios que utilizan protocolos de validación disjuntos por escenario, disjuntos por dispositivo o conscientes del tiempo.
• Calidad y Desplegabilidad: Si bien una parte sustancial de la literatura (62 estudios de alta calidad, 73 de calidad media) proporciona evidencia útil, la preparación para el despliegue sigue siendo desigual. Muchos estudios carecen de evidencia sobre la robustez ante cambios de distribución, restricciones de recursos y explicabilidad para operadores humanos.

Significado y Reivindicaciones

El artículo argumenta que la madurez del despliegue no puede inferirse únicamente de la precisión del benchmark. Las altas tasas de detección en conjuntos de datos estáticos no garantizan la fiabilidad operativa en entornos dinámicos de IoT/IIoT. La importancia de este trabajo radica en cambiar el paradigma de evaluación de un "reporte de rendimiento centrado en el benchmark" a un "aseguramiento de grado de despliegue".

Los autores identifican cuatro pilares operativos recurrentes que determinan la capacidad de despliegue:

1. Carga de Etiquetado: La brecha entre las etiquetas curadas de los benchmarks y la verdad de terreno (ground truth) costosa, retrasada o ambigua en las operaciones.
2. Transferencia bajo Cambio de Dominio: La necesidad de validar modelos a través de diferentes flotas de dispositivos, versiones de firmware y topologías de red, en lugar de asumir un rendimiento estático.
3. Viabilidad de Recursos y Tiempo Real: La necesidad de evaluar propiedades del sistema de extremo a extremo (latencia, energía, memoria) en lugar de solo la velocidad de inferencia del modelo.
4. Preparación para la Gobernanza y Explicabilidad: El requisito de explicaciones que apoyen el triaje de analistas, el análisis de causa raíz y la auditabilidad, en lugar de servir como características cosméticas.

La revisión concluye que, para que la IA se convierta en una capacidad de seguridad mantenible en IoT/IIoT, la investigación futura debe priorizar marcos de evidencia que prueben la sostenibilidad del etiquetado, la transferibilidad, el manejo de la deriva y la alineación con la gobernanza, yendo más allá del rendimiento aislado del modelo hacia una integración holística en el flujo de trabajo de seguridad.