[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-127407-110":49,"doc-detail-127407-es":116},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":109,"head_meta":111,"extra_data":113,"updated_unix":115},110,"es","using-machine-learning-techniques-for-early-ransomware-detection","Uso de técnicas de Machine Learning para la Detección Temprana de Ransomware","","Se analiza cómo la convergencia entre redes de Tecnología Operacional (OT) y Tecnologías de la Información (IT) incrementa la vulnerabilidad de sistemas SCADA frente a ransomware. Se presenta un experimento que evalúa algoritmos de aprendizaje automático para identificar comportamientos maliciosos en fases tempranas, evitando que el malware se propague o cifre datos críticos. Mediante simulación de un entorno IT/OT realista, se busca validar técnicas de análisis de comportamiento y detección de patrones anómalos para fortalecer la seguridad industrial.",{"@graph":59,"@context":108},[60,77,99],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":47,"@type":66,"position":73},"https://docshare.wps.com/es/document/tecnología/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/using-machine-learning-techniques-for-early-ransomware-detection/127407/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/using-machine-learning-techniques-for-early-ransomware-detection/127407.png","ImageObject",300,407,{"name":85,"@type":86},"Theodora","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-09-11","2026-08-05",true,{"@type":95,"interactionType":96,"userInteractionCount":98},"InteractionCounter",{"@type":97},"ViewAction",8,{"@type":100,"mainEntity":101},"FAQPage",[102],{"name":103,"@type":104,"acceptedAnswer":105},"Qué enfoque utilizan para la detección temprana antes de que el ransomware se propague?","Question",{"text":106,"@type":107},"Técnicas basadas en análisis de comportamiento que identifican patrones anómalos en fases tempranas, buscando impedir que el malware logre propagarse o cifrar datos críticos.","Answer","https://schema.org",{"og:url":75,"og:type":110,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":112,"canonical":75},"index,follow",{"doc_id":114,"site_id":52},127407,1785938721,{"code":4,"msg":5,"data":117},{"doc_id":114,"user_id":118,"nickname":85,"user_avatar":119,"doc_module":4,"category_id":46,"category_name":47,"doc_title":55,"doc_description":57,"doc_content":120,"file_id":121,"file_url":122,"file_type":123,"file_size":124,"view_count":98,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":125,"language":126,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":127,"faqs":128,"seo_title":129,"seo_description":57,"update_tm":115,"read_time":98},962085571259,"https://ap-avatar.wpscdn.com/davatar_29158cc5080c5b710cf443261637dec0","Uso de técnicas de Machine Learning para la Detección Temprana de Ransomware  \nGonzalo Heinen, Mayra Alejandra Milano , Jorge Kamlofsky CAETI-Centro de Altos Estudios en Tecnología Informática.  \nUniversidad Abierta Interamericana, Facultad de Tecnología Informática  \nAbstract  \nSe explora el impacto de la convergencia entre redes de Tecnología Operacional (OT) y de Tecnologías dela Información (IT) en infraestructuras críticas, poniendo especial énfasis en la vulnerabilidad de los sistemas SCADA ante la creciente amenaza de los Ransomware. Para enfrentar este desafío, se describe un experimento que evalúa la capacidad dealgoritmos de aprendizaje automático (Machine Learning) para detectar actividades maliciosas en fases tempranas de un ataque, antes de que el malware logre propagarse o cifrar datos críticos. Mediante la simulación de un entorno de red que integra componentes IT y OT de forma realista, se busca demostrar la eficacia de técnicas de análisis de comportamiento y de identificación de patronesanómalos para reforzar la seguridad de sistemas industriales estratégicos y mitigar el impacto de incidentes cibernéticos.  \nPalabras clave: Infraestructuras críticas, Ciberseguridad, Redes OT, Sistemas SCADA, Ransomware, Machine Learning, Convergencia IT/OT.  \nINTRODUCCIÓN  \nLas infraestructuras críticas desempeñan un papel fundamental en la estabilidad, laseguridad y el desarrollo de un país, puesto que abarcan sectores esenciales como la energía, el transporte, las telecomunicaciones y los servicios de defensa. En este contexto, las redes de Tecnología Operacional (OT), responsables de gestionar y controlar sistemas físicos endichos ámbitos, han adquirido una relevancia estratégica ante la crecientenecesidad de protegerlas frente a amenazascibernéticas avanzadas [1] .  \nLa Reciente Directiva de Política de Defensa Nacional ¹ enfatiza la importancia de la protección de infraestructuras estratégicas, destacando que el Sistema de Defensa Nacional debe enfocarse en la seguridad deaquellas infraestructuras cuyo funcionamiento resulta crítico para elejercicio de la soberanía y el resguardo de la vida y libertad de los ciudadanos. En este sentido, diversas instituciones académicas yorganismos de ciberseguridad han impulsado proyectos orientados a fortalecer la resiliencia de las infraestructuras OT [2], mediante el desarrollo de herramientasavanzadas de detección y respuesta ante incidentes de ciberseguridad.  \nEn Argentina, el Ejército Argentino (EA) ha promovido el desarrollo de sistemas decomando y control (SC2) para sus brigadas, lo que ha dado lugar a una mayor interconexión y automatización de estos sistemas. Sin embargo, esta evolución también ha incrementado la superficie de ataque y la vulnerabilidad frente a amenazascibernéticas, lo que ha motivado la creaciónde proyectos como la propuesta de InFoscopia [3] .  \nPor otro lado, el Comando Conjunto de Ciberdefensa ha trabajado en la consolidación de capacidades deciberdefensa y respuesta ante incidentes en infraestructuras críticas industriales (ICI)  \n[4], a través de proyectos como el Programa  \nde Desarrollo Tecnológico-Social (PDTS) 1, que ha contado con el apoyo de diversas universidades e instituciones gubernamentales y privadas.  \nLa relevancia de estos proyectos radica en lacreciente sofisticación de los ataques asistemas OT, que van desde la interrupciónde procesos industriales hasta el secuestro de sistemas mediante ransomware y la explotación de vulnerabilidades endispositivos Supervisory Control And Data Acquisition (SCADA) .  \nEn este contexto el objetivo del presente trabajo es el contextualizar la vulnerabilidadde los sistemas SCADA y presentar un experimento de alcance limitado que evalúela capacidad del uso de machine learning para detectar posibles atacantes durante la fase de pre-ataque, contribuyendo así aprevenir ataques de ransomware en redes OT.  \n1. Convergencia entre redes IT y OT  \nA medida que las redes de Tecnologías de la Información (IT) y OT c","cbCaimOPvhtygAUZ","https://ap.wps.com/l/cbCaimOPvhtygAUZ","pdf",241635,5,"Spanish","# Introducción\n## Convergencia entre redes IT y OT\n# Vulnerabilidad y amenaza del ransomware en sistemas industriales\n## Superficie de ataque y riesgos en entornos OT\n# Objetivo del trabajo y enfoque del experimento\n## Detección en fase de pre-ataque con Machine Learning","[{\"question\":\"Qué enfoque utilizan para la detección temprana antes de que el ransomware se propague?\",\"answer\":\"Técnicas basadas en análisis de comportamiento que identifican patrones anómalos en fases tempranas, buscando impedir que el malware logre propagarse o cifrar datos críticos.\"}]","Uso de técnicas de Machine Learning para la Detección Temprana de Ransomware | PDF"]