.jpg)
La creciente adopción de DNS sobre HTTPS (DoH) ha supuesto un avance significativo en la privacidad de las comunicaciones en línea, pero también ha abierto una puerta para que actores malintencionados oculten su actividad maliciosa dentro de un tráfico cifrado que resulta opaco para los sistemas de monitoreo tradicionales. Detectar estas túneles DoH no es trivial, ya que las técnicas convencionales de análisis de tráfico se vuelven ineficaces frente a un canal que aparenta ser una conexión HTTPS legítima. En este contexto, la inteligencia artificial y el aprendizaje automático emergen como herramientas clave, pero su efectividad depende de disponer de grandes volúmenes de datos etiquetados, tanto benignos como maliciosos. Compartir estos conjuntos entre distintas organizaciones plantea serios problemas de privacidad y cumplimiento normativo.
Para abordar este desafío, marcos como CO-DEFEND proponen un enfoque basado en aprendizaje federado descentralizado continuo, permitiendo que múltiples entidades colaboren en la creación de un modelo de clasificación de amenazas DoH sin necesidad de exponer sus datos locales. Este paradigma no solo preserva la privacidad, sino que también mejora la escalabilidad y la resiliencia al eliminar puntos únicos de fallo. Al integrar algoritmos clásicos como máquinas de soporte vectorial, regresión logística, árboles de decisión y Random Forest en un entorno federado, se logra un equilibrio entre precisión y eficiencia computacional, evitando la complejidad de redes neuronales profundas. La clave está en que cada participante mantiene su propia estructura de decisión interpretable mientras se beneficia de las actualizaciones colectivas, un enfoque que encaja de manera natural en arquitecturas de red modernas.
Desde una perspectiva empresarial, implementar soluciones de ciberseguridad basadas en inteligencia artificial requiere no solo de modelos robustos, sino también de una infraestructura tecnológica flexible y segura. En
.jpg)
.jpg)
