Análisis Predictivo de Ciberataques Mediante Aprendizaje Automático

Resumen

El incremento sostenido de los ciberataques en entornos digitales interconectados representa un desafío crítico para la seguridad de las infraestructuras tecnológicas, debido a la creciente sofisticación de las amenazas informáticas y al aumento del volumen de tráfico digital. En este contexto, el estudio tuvo como objetivo analizar la capacidad del aprendizaje automático para la predicción de ciberataques mediante el análisis de patrones de comportamiento dentro del tráfico de red. La investigación se desarrolló bajo un enfoque cuantitativo de alcance explicativo y un diseño no experimental de corte transversal, sustentado en el análisis de información secundaria proveniente de informes oficiales y bases de datos elaboradas por organismos nacionales e internacionales especializados en ciberseguridad. Para el procesamiento de la información se aplicaron métodos de estadística avanzada, particularmente el coeficiente de correlación de Pearson y un modelo de regresión lineal múltiple. Los resultados evidenciaron correlaciones positivas significativas entre el volumen de tráfico digital, las vulnerabilidades detectadas y la frecuencia de incidentes de ciberseguridad. Asimismo, el modelo de regresión permitió identificar que los intentos de acceso no autorizado y el incremento del tráfico digital constituyen los predictores más influyentes en la ocurrencia de ciberataques, lo que demuestra la utilidad de los modelos analíticos para anticipar amenazas informáticas. En consecuencia, el uso combinado de aprendizaje automático y análisis estadístico fortalece la detección temprana de anomalías digitales y contribuye al desarrollo de sistemas de ciberseguridad con mayor capacidad predictiva.