Enfoques de detección de ransomware basados en aprendizaje automático
Innovación y Software · 30.03.2026 · 7 (1) · 183-206
DOI: 10.48168/innosoft.s29.a342 ↗Kurz gefasst
Fachartikel in der Zeitschrift Innovación y Software, online erschienen am 30.03.2026. Verfasst von Luis Fernando Avila Reyes und 2 weiteren Autor:innen. Die Arbeit nennt 31 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).
Abstract (Originalsprache)
El estudio tuvo como objetivo analizar los enfoques y técnicas de detección de ransomware basados en aprendizaje automático, a fin de identificar las propuestas más eficaces reportadas en la literatura reciente. Se aplicó la metodología PRISMA para seleccionar artículos originales publicados entre 2020 y 2025 en bases de datos especializadas. Los hallazgos muestran que los métodos tradicionales basados en firmas resultan insuficientes ante variantes de día cero, mientras que algoritmos como Random Forest, Gradient Boosting y redes neuronales profundas ofrecen mayor precisión y capacidad de adaptación. Asimismo, se destacan enfoques híbridos y emergentes que incorporan análisis forense con modelos de lenguaje o inteligencia artificial explicable. Se concluye que las técnicas de aprendizaje automático representan una alternativa robusta y en evolución para la detección temprana de ransomware, contribuyendo a mejorar la resiliencia de los sistemas de ciberseguridad.
Zitieren
APA
Reyes, L. F. A., Carrillo, K. E. G., & Santos, A. C. M. D. L. (2026). Enfoques de detección de ransomware basados en aprendizaje automático. Innovación y Software, 7(1), 183-206. https://doi.org/10.48168/innosoft.s29.a342
Vancouver
Reyes LFA, Carrillo KEG, Santos ACMDL. Enfoques de detección de ransomware basados en aprendizaje automático. Innovación y Software. 2026;7(1):183-206. doi:10.48168/innosoft.s29.a342
BibTeX
@article{Reyes2026,
author = {Reyes, Luis Fernando Avila and Carrillo, Kevin Eduardo Galvez and Santos, Alberto Carlos Mendoza De Los},
title = {Enfoques de detección de ransomware basados en aprendizaje automático},
journal = {Innovación y Software},
year = {2026},
volume = {7},
number = {1},
pages = {183--206},
doi = {10.48168/innosoft.s29.a342}
}
EUVIMED