XAI y Análisis Estadístico para la Detección Fiable de Intrusiones en el Conjunto de Datos UAVIDS-2025: Desde Árboles hasta Conjuntos Híbridos y Ensambles de DNN Tabulares

La detección de intrusiones en sistemas de vehículos aéreos no tripulados (UAV) representa un desafío crítico de ciberseguridad, donde la fiabilidad de los modelos predictivos debe complementarse con una comprensión profunda de sus decisiones. El conjunto de datos UAVIDS-2025 ha sido diseñado para probar escenarios complejos, como ataques Wormhole y Blackhole, que imitan tráfico legítimo y generan confusión en los clasificadores. En este contexto, la combinación de técnicas de inteligencia artificial explicable (XAI) con análisis estadístico riguroso permite ir más allá de la simple precisión, revelando las causas reales de las clasificaciones erróneas.

Desde una perspectiva técnica, los enfoques basados en árboles de decisión, como XGBoost, han demostrado un rendimiento superior frente a redes neuronales profundas y conjuntos híbridos, especialmente cuando se aplican validaciones cruzadas estratificadas. Sin embargo, el verdadero valor radica en la interpretabilidad: mediante valores SHAP se pueden identificar las características que cada ataque explota para enmascararse, mientras que la comparación visual de distribuciones mediante gráficos de violín y estimaciones de densidad kernel (KDE) ayuda a localizar las zonas de solapamiento. Herramientas estadísticas como el test de permutación de Westfall-Young y la optimización del ancho de banda de KDE, junto con la distancia de Jensen-Shannon, permiten cuantificar la intersección de soporte de densidad entre ataques normales y maliciosos, ofreciendo así una base sólida para modelos más robustos.

En Q2BSTUDIO entendemos que la ciberseguridad moderna requiere soluciones que combinen inteligencia artificial para empresas con un análisis detallado de datos. Por eso, ofrecemos servicios de inteligencia artificial explicable que integran desde modelos de machine learning hasta pipelines de explicabilidad estadística, adaptados a sectores como defensa, logística o infraestructuras críticas. Además, nuestras capacidades en aplicaciones a medida permiten construir sistemas de detección de intrusiones que no solo predicen, sino que también justifican cada alerta.

Para escalar estos modelos en entornos productivos, empleamos servicios cloud AWS y Azure que garantizan procesamiento de grandes volúmenes de datos y actualización en tiempo real. La integración con herramientas de inteligencia de negocio como Power BI facilita la visualización de los análisis de importancia de características y distribuciones, permitiendo a los equipos de seguridad tomar decisiones informadas. Asimismo, exploramos el uso de agentes IA autónomos que, basados en estos análisis estadísticos, pueden reconfigurar dinámicamente las reglas de detección ante nuevos patrones de ataque.

Este enfoque combina lo mejor del aprendizaje automático tradicional con técnicas explicativas, ofreciendo una hoja de ruta para construir sistemas de ciberseguridad en UAV que sean precisos, comprensibles y fiables. La capacidad de identificar dónde y por qué fallan los modelos –incluso en ataques solapados– es el paso necesario para avanzar hacia defensas verdaderamente adaptativas.