Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 38 de 50
Journal of Scientific and Technological Research Industrial
Modelos predictivos de IA y su relación con la protección contra
amenazas persistentes avanzadas del sistema bancario
AI Predictive Models and Their Relationship with Protection Against Advanced Persistent Threats in the
Banking System
Héctor Martín Espinoza Villavicencio
Universidad Nacional Federico Villarreal, Perú
2022032322@unfv.edu.pe
Resumen
El objetivo fue determinar la relación entre los modelos predictivos de inteligencia artificial y la
protección contra amenazas persistentes avanzadas (APTs) en el sistema bancario de Lima en
2024. Se realizó un análisis de fuentes secundarias sobre los modelos predictivos de IA que
detectan amenazas persistentes en ciberseguridad como el malware. Se aplicó una encuesta a una
muestra de 79 empleados de instituciones bancarias en Lima. La investigación, es de carácter no
experimental, cuantitativo y transversal. Los resultados mostraron un mejor rendimiento de los
sistemas de seguridad en el sector bancario tras la implementación de los modelos predictivos en
áreas como la detección, mitigación y prevención de APT, fortaleciendo la ciberseguridad en un
entorno crítico. Estos hallazgos resaltan la utilidad de los modelos para representar con mayor
seguridad tras los ataques dirigidos a las entidades financieras. La encuesta evidencio que la
mayoría de participantes considera que los modelos predictivos de IA contribuyen a la protección
contra (APTs) y optimizar la solución de problemas, lo cual indica una tendencia favorable hacia
la implementación de herramientas basados en IA en el sistema bancario. La aplicación de los
modelos de IA predictiva mejora la resiliencia del sistema bancario frente a los ataques APT, ya
que su capacidad para optimizar los procesos mejora la resistencia y tiene un efecto en la
evolución de la protección contra los ataques APT, otorgándoles adaptabilidad a nuevas
amenazas a medida que mejoran y se vuelven más sofisticados.
Palabras claves: algoritmos inteligentes, amenazas persistentes avanzadas, aprendizaje
automático, ciberseguridad, inteligencia artificial, modelos predictivos.
Abstract
The objective was to determine the relationship between artificial intelligence predictive models
and protection against advanced persistent threats (APTs) in the Lima banking system in 2024.
A secondary source analysis was conducted on AI predictive models that detect persistent
cybersecurity threats such as malware. A survey was administered to a sample of 79 employees
from banking institutions in Lima. The research is non experimental, quantitative, and cross-
sectional. The results showed improved security system performance in the banking sector
following the implementation of predictive models in areas such as APT detection, mitigation,
and prevention, strengthening cybersecurity in a critical environment. These findings highlight
the models' usefulness in more accurately predicting the impact of attacks on financial
institutions. The survey revealed that the majority of participants believe AI predictive models
contribute to protection against APTs and optimize problem-solving, indicating a favorable trend
toward the implementation of AI-based tools in the banking system. The application of predictive
AI models improves the resilience of the banking system against APT attacks, as their ability to
optimize processes enhances resistance and has an effect on the evolution of protection against
APT attacks, giving them adaptability to new threats as they improve and become more
sophisticated.
Keywords: advanced persistent threats, artificial intelligence, cybersecurity, intelligent
algorithms, machine learning, predictive models.
Publicado: 2026-03-27
Aceptado: 2026-03-23
Recibido: 2026-02-13
Open Access
Article scientific
https://doi.org/10.47422/jstri.v7i1.74
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 39 de 50
Journal of Scientific and Technological Research Industrial
Introducción
La rápida proliferación que ha vivido la red y la
hiperconectividad de dispositivos han generado un entorno
digital potente, pero, a su vez, el mismo se antoja
extremadamente frágil ante el continuo ataque de las
ciberamenazas informáticas. En ese sentido, las APT
(Amenazas Persistentes Avanzadas) destacan
aproximadamente por su nivel de sofisticación técnica, así
como por su capacidad inusual de sortear los perímetros de
seguridad tradicionales de manera sostenida. Este tipo de
ataque pone en barbarie la integridad de la información y
representa un riesgo fundamental para la privacidad de las
personas e incluso para la estabilidad de las grandes
organizaciones.
La inteligencia artificial (IA) predictiva, en contraposición
a este reto que nos plantea la revolución digital, se erige
como una alternativa necesaria y disruptiva. Basándose en
arquitecturas de machine learning y deep learning, estas
funcionalidades habilitan el procesamiento de flujos
masivos de datos en tiempo real, identificando anomalías
que fácilmente se escaparían del ojo humano. Como señala
Melo (2022), la principal ventaja competitiva de la IA
predictiva consiste en la orientación proactiva de la misma;
a diferencia de los enfoques reactivos, la IA predictiva
permite anticipar vulnerabilidades, así como la posibilidad
de un cambio adaptativo ante un agresor inclemente. La
yuxtaposición de heurística conductual y de inteligencia de
amenazas incrementa la precisión; de esta forma, mejora
notablemente la defensa del usuario final. No obstante, que
esta misma eficiencia no es la última ni la máxima, dado
que la sofisticación de los ataques avanza y se desarrolla
con esa misma rapidez, poniendo por tanto a prueba la
solidez de la dicha tecnología en terrenos a veces poco
previsibles.
En el escenario particular de Lima, la integración de la
inteligencia artificial en las entidades bancarias ha
provocado una metamorfosis en la administración de datos
y la seguridad de los activos financieros. No obstante, esta
evolución tecnológica genera importantes preocupaciones
en materia de ciberseguridad, como el uso de estas
herramientas no solo como herramienta de defensa, sino
también como un nuevo vector de ataque. En particular, la
IA generativa ha permitido un marcado aumento en la
sofisticación de ataques de ingeniería social como el
phishing y los deepfakes, que engañan a los usuarios y
comprometen datos críticos. Bajo esta premisa, Pardiñas
(2020) señala que las investigaciones actuales muestran un
incremento del 60 % en las ofensivas de phishing
potenciadas por IA, sumándose a los récords de
vulnerabilidad reportados en otros mercados (BBVA,
2025). Esta situación de fragilidad digital obliga a priorizar
la adopción de modelos predictivos que permitan
anticiparse y neutralizar las amenazas persistentes
avanzadas en un entorno de riesgos constantes.
Desde otra perspectiva, la utilización masiva de este tipo
de tecnologías también revela el dilema de la privacidad.
Así lo plantean Madrid (2024) enfatizando que el
entrenamiento de modelos de alto rendimiento requiere de
volúmenes muy elevados de información, lo que
incrementa las vulneraciones de información sensible. En
el caso del Perú, donde la normativa de protección de datos
aún tiene un nivel de maduración bajo, la falta de
regulaciones podría terminar provocando un uso poco ético
de la tecnología al tiempo que se infringe la transparencia
y la rendición de cuentas, dos elementos centrales en el
sector financiero.
En relación con este escenario, Molina (2025) plantea el
vínculo fundamental entre el empleo de esquemas
predictivos sustentados en inteligencia artificial (IA) y el
incremento en la efectividad de las defensas contra ataques
dirigidos de alta persistencia. A través de un examen
detallado de las variables, la incorporación de la IA en las
estrategias de ciberseguridad podría generar un cambio
sustancial en la capacidad del sistema para la detección
temprana y la respuesta ágil ante amenazas digitales, lo que
permitiría establecer un marco de protección integral y
avanzado para salvaguardar los activos en red. Con este
propósito, la investigación examina pilares críticos de la
seguridad informática, tales como los mecanismos de
identificación y bloqueo de intrusiones, la solidez de las
infraestructuras digitales y la dinámica con la que las
medidas de amparo se actualizan y adaptan frente a nuevos
desafíos.
Sarker (2022) también presenta un enfoque de tipo
multidimensional si se analiza cómo ha afectado la IA a
sectores como el financiero, el sanitario, la industria 4.0,
entre otros. El autor considera que la automatización
mediante sistemas inteligentes y el procesamiento del
lenguaje natural ha permitido alcanzar cotas de eficiencia
extraordinarias, aunque deberá advertir que para que estos
modelos lleguen a ser realmente "inteligentes" requieren
formaciones continuas con base en un conocimiento del
dominio específico. A pesar de la potencia algorítmica que
se puede alcanzar, el humano se convierte en el eje
gravitacional del sistema. Tal como destacan De La Hoz
Suárez et al. (2024), la destreza técnica y la experiencia del
personal son las únicas determinantes para ser capaces de
evaluar, corregir y guiar el desarrollo de estos modelos. Y
en lo que se refiere a ciberseguridad, este trabajo conjunto
entre humano e IA en tareas como el planeamiento de
respuestas ante incidentes o el mantenimiento preventivo
se erige verdaderamente como lo que garantiza la
continuidad de la actividad y una gestión de amenazas
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 40 de 50
Journal of Scientific and Technological Research Industrial
eficaz. Con lo cual, la tecnología se consideraría
insuficiente por sí sola si no existe el juicio de expertos que
posibilite que estas capacidades sean aprovechadas
(Kalogiannidis et al., 2024).
Ciertamente la reducción de la superficie de ataque es
drástica mediante la automatización y la inteligencia en las
amenazas aunque esta cualidad depende tanto de la calidad
de la entrada como de un mantenimiento intensivo para
evitar falsos positivos, Duan et al. (2025) refuerzan esta
posición afirmando que el éxito operativo requiere estrictas
políticas de supervisión; Hua, Xi (2025) apuntan que sin
ética también serían capaces de favorecer sesgos o
discriminación predictiva, lo que indica que su uso debe ser
razonable y controlado.
Por otra parte, la gestión de la privacidad en la era del big
data sigue siendo una asignatura pendiente. La
sobreexposición de datos personales en las plataformas
digitales supone riesgos desmesurados tal como sugieren
Ren et al. (2026), quienes hacen hincapié en la existencia
de vacíos en la legislación, hasta incluso en marcos
jurídicos muy desarrollados como es el caso del de la Unión
Europea respecto a la automatización y/o contratos
inteligentes. Por tanto, urge y se hace necesario promover
la transparencia algorítmica real.
Siguiendo con la eficiencia operativa, Sifuentes (2024)
identifica que la IA dentro de los flujos de trabajo
contemporáneos ha hecho el camino a favor, la integración
de forma estratégica de esta IA no solo permite mejorar las
operaciones, sino que brinda un diagnóstico superior a las
organizaciones que afecta directamente la experiencia del
usuario. Pero esta tasa de crecimiento no es automática,
bien en su estudio Hussain et al. (2025) explican que
depende de marcos de gobernanza de privacidad de la
información, así como una inversión relativamente fuerte
en infraestructuras de datos especializados. Esta vez, el
resultado también incluye el soporte técnico y la defensa
digital, y con las herramientas automatizadas se pueden
recortar drásticamente los tiempos de respuesta en su caso
de una violación de seguridad e, incluso recortar en gastos
operativos mediante una toma de decisiones más sutil y
efectiva (Lewis, 2026; Olasehinde et al., 2026).
Las necesidades de datos mencionadas anteriormente aún
persisten en esta región, lo que también ha aumentado la
complejidad de la implementación debido a la falta de
confianza de la población debido a la limitada regulación y
conocimiento sobre el tema. La desconfianza en la toma de
decisiones automatizada y la preocupación por la
privacidad de los usuarios son algunas de las principales
barreras para la implementación que deben abordarse para
garantizar un funcionamiento eficaz y seguro (Yang et al.,
2025). Incluso en el caso de un buen rendimiento y la
provisión de beneficios en diferentes niveles, esta misma
cautela se percibe por parte de los trabajadores humanos,
quienes podrían no considerar el algoritmo tan capaz o
confiable como ellos mismos, temiendo consecuencias
como una disminución de la calidad o la sustitución del
componente humano en general. Una planificación
inadecuada también podría generar vulnerabilidades y
desigualdades que podrían poner en riesgo la seguridad y
la privacidad de los usuarios.
Método
La investigación se desarrolló bajo un enfoque cuantitativo
y corresponde a un estudio de tipo básico con diseño no
experimental y corte transversal. Este tipo de diseño
permitió observar y analizar las variables de estudio sin
intervenir directamente en su comportamiento. La muestra
estuvo conformada por 79 trabajadores pertenecientes a
distintas instituciones bancarias ubicadas en la ciudad de
Lima. Los participantes fueron seleccionados con el
propósito de conocer su percepción respecto al uso de
modelos predictivos de inteligencia artificial en la
protección frente a amenazas persistentes avanzadas.
Como instrumento de recolección de datos, se diseñó un
cuestionario estructurado que permite medir la percepción
técnica sobre la eficacia de la IA frente a amenazas
avanzadas. La robustez métrica del instrumento fue
validada mediante el juicio de expertos y un análisis de
consistencia interna. En este sentido, se obtuvo un
coeficiente del 0,908 para Alfa de Cronbach tras evaluar 23
elementos clave. Al superar el umbral crítico de 0,7, se
confirma que la herramienta posee una fiabilidad y validez
estadística óptimas para sustentar las inferencias de la
investigación.
Procedimientos
El proceso analítico se estructuró en tres fases secuenciales.
En la etapa inicial, se procesaron las frecuencias de la
información recolectada para obtener una radiografía clara
sobre la distribución de las variables. Este paso descriptivo
permitió identificar la variabilidad en cada dimensión
estudiada antes de proceder a análisis más complejos.
En la segunda fase, Se empleó el software SPSS (v. 25) con
el fin de realizar una prueba de correlación de Spearman.
Dado que se buscaba identificar la fuerza y dirección de las
conexiones entre las dimensiones de la IA y la protección
de redes, este método no paramétrico resultó el más
adecuado para validar las hipótesis planteadas. Finalmente,
en la tercera etapa, se procedió a la discusión e
interpretación teórica de los datos. Aquí, los resultados
cuantitativos se contrastaron con los objetivos de la
investigación para ofrecer respuestas fundamentadas a las
interrogantes que dieron origen al estudio.
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 41 de 50
Journal of Scientific and Technological Research Industrial
Resultados
Examen de los sistemas de predicción basados en IA
El panorama tecnológico reciente ha sido testigo de la
aparición de modelos predictivos cada vez más
sofisticados. En este sentido, la Tabla 1 ofrece una visión
comparativa que detalla tanto las fortalezas como las
limitaciones de estas herramientas en el contexto de la
ciberseguridad actual.
Tabla 1
Comparativa de los principales modelos predictivos de Inteligencia Artificial
Modelo Predictivo
Principales Técnicas
Ventajas
Redes Neuronales
Artificiales (ANNs)
Aprendizaje profundo
mediante arquitecturas
convolucionales y
recurrentes.
Gran eficacia identificando
irregularidades sofisticadas.
Capacidad de aprendizaje
automático
Random Forest (Bosques
Aleatorios)
Basado en múltiples
diagramas de decisión.
Interpretabilidad, robustez ante
datos desbalanceados.
Support Vector Machines
(SVM)
Algoritmos de clasificación
por soporte vectorial.
Precisión en clasificación binaria
y detección de anomalías.
Gradient Boosting
(XGBoost, LightGBM,
CatBoost)
Algoritmos de boosting para
optimización
Alta precisión, rapidez en
entrenamiento y predicción.
Análisis de
Comportamiento del
Usuario (UEBA)
Mecanismos para identificar
irregularidades (ADS).
Detección en tiempo real de
actividades inusuales.
Sistemas de Detección de
Anomalías (ADS)
Esquemas de aprendizaje
autónomo basados en
agrupamiento y codificación.
Buen desempeño en detección de
estructuras de datos no
identificadas previamente.
Modelos generativos de
confrontación (GANs).
Modelos generativos para
detectar ataques adversariales
Capacidad para hallar
intrusiones complejas creadas
mediante inteligencia artificial.
Evaluación de peligros digitales dirigidos (APT) en la
banca
Al examinar la Tabla 2, queda en evidencia una tendencia
preocupante: el incremento sostenido de los incidentes por
APT en los últimos seis años. Lo que antes representaba
una fracción menor del total de ciberataques, hoy muestra
un peso porcentual cada vez más alto. Este crecimiento no
es casual; señala que las amenazas están mutando hacia un
modelo de ataque mucho más dirigido, silencioso y, por
ende, más complejo de neutralizar para las entidades
financieras.
Tabla 2
Evolución de incidentes APT registrados en entidades financieras entre 2018 y 2023
Año
Cantidad de eventos registrados
Proporción de ataques APT respecto al total de delitos
informáticos (%).
2018
150
25%
2019
185
28%
2020
210
30%
2021
240
32%
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 42 de 50
Journal of Scientific and Technological Research Industrial
2022
300
35%
2023
350
37%
Por otro lado, la Figura 1 permite visualizar la gravedad del
problema desde una perspectiva económica. El impacto
financiero de las APT ha seguido una trayectoria
ascendente, alcanzando un punto de quiebre en 2023, año
en el que los costos totales por este tipo de brechas
superaron la barrera de los mil millones de dólares. Este
salto pone de manifiesto que el daño no es solo operativo,
sino que pone en riesgo la solvencia y la estabilidad
financiera del sector.
Figura 1. Escalada del impacto financiero por ataques APT en la banca (2018-2023)
Nota. La figura muestra el impacto financiero obtenido del estudio cuantitativo sobre los riesgos APT. Construido con
datos del sector bancario.
Tabla 3
Tipología de las modalidades APT en la banca de Perú durante 2024
Categoría de amenaza
identificada
Incidencia
proyectada
Descripción
Sustracción de activos
bancarios
48
Extracción encubierta de datos sensibles como registros de usuarios y credenciales.
Desplazamiento
interno
35
Propagación por la infraestructura financiera para comprometer equipos adicionales.
Suplantación dirigida
52
Mensajería fraudulenta enviada a directivos o técnicos para obtener el ingreso original.
Intrusión vía
suministros
21
Vulneración de socios tecnológicos para infiltrarse en las instituciones.
Empleo de software
malicioso a medida
39
Desarrollo de código dañino diseñado exclusivamente para la banca local.
Presencia extendida
27
Permanencia invisible en la red por periodos superiores a un trimestre.
Comandos y Control
Remoto (C2)
32
Empleo de infraestructura remota para la gestión de equipos internos.
Capacidad de resistencia por áreas técnicas
En la Figura 2 se presenta un diagnóstico de la resiliencia
ante las APT desglosada por cada componente técnico del
sistema. Esta evaluación visual es fundamental, ya que
actúa como una hoja de ruta para la alta gerencia.
Identificar con precisión qué áreas poseen una buena
capacidad técnica y cuáles presentan debilidades permite
priorizar la inversión de recursos de manera estratégica,
fortaleciendo los eslabones más vulnerables antes de que
sean explotados por atacantes externos.
270
370
530
600
840
1050
0
200
400
600
800
1000
1200
2018 2019 2020 2021 2022 2023
Costo Total
Años
Costo Total de APTs (millones de USD)
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 43 de 50
Journal of Scientific and Technological Research Industrial
Figura 2. Evaluación del Nivel de fortaleza institucional frente a amenazas dirigidas.
Nota. La ilustración muestra un esquema radial sobre la capacidad de recuperación ante ataques APT. Esta representación
se adaptó de la propuesta del estudio de Hassanzadeh et al. (2023) sobre el fortalecimiento de redes mediante la
automatización de conmutadores.
Progreso y mejoras en la defensa frente a intrusiones
prolongadas (APT)
Al observar la Figura 3, queda claro que ciertas técnicas
tienen una predilección táctica dentro de los ataques APT.
La prevalencia de estos métodos sugiere que los atacantes
están moviendo sus piezas hacia estrategias de infiltración
que explotan el eslabón más débil: la ingeniería social y las
brechas de seguridad latentes en los sistemas. Esto
confirma que el factor humano y los fallos de configuración
siguen siendo las puertas de entrada preferidas para ataques
prolongados.
Figura 3. Desglose de las tácticas más usadas en ataques APT financieros durante el 2023.
Por otro lado, la Figura 4 detalla el panorama del software
de seguridad en la nube que lidera el mercado bancario
tanto a nivel global como en Latinoamérica. La
comparativa es útil para entender cómo las instituciones
financieras están migrando sus defensas hacia entornos
virtualizados, adaptándose a las exigencias de escalabilidad
y protección que demanda el año 2024.
35%
30%
20%
10%
5%
0% 5% 10% 15% 20% 25% 30% 35% 40%
Phishing avanzado
Explotación de vulnerabilidades
Malware
Ingeniería social
Ataques a Infraestructura de Red
Porcentaje de Uso (%)
Tecnica
Técnicas Utilizadas en APTs
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 44 de 50
Journal of Scientific and Technological Research Industrial
Figura 4. Frecuencia de uso de Software de Seguridad en la Nube en la Banca (2024)
La Tabla 4, arroja luz sobre los productos de ciberseguridad
con mayor demanda por parte de la banca en el territorio
peruano y a nivel latinoamericano. Se observa que la
inversión no es aleatoria; las compras se concentran en
soluciones diseñadas específicamente para neutralizar
ataques de tipo APT, buscando herramientas que ofrezcan
una protección integral y una visibilidad profunda de las
amenazas antes de que el daño sea irreversible.
Tabla 4
Productos de ciberseguridad con mayor adopción en el Sector Bancario de Perú y Latinoamérica (2024)
Herramientas de protección digital
Ritmo de adquisición en el mercado
Cortafuegos de última generación (32%)
32%
Herramientas de detección y respuesta extendida
27%
Plataformas de gestión de eventos y vigilancia
19%
Sistemas de orquestación y respuesta automática
11%
Software para la prevención de fuga de información
7%
Soporte externo de monitoreo y reacción ante incidentes
4%
Tabla 5
Categorización de fabricantes por sectores
Segmento
Empresas
Atributos principales.
Referentes del
mercado
Microsoft Defender, CrowdStrike Falcon
Eficacia elevada, vanguardia en inteligencia artificial y amplia
presencia en el sector financiero.
Rivales directos
Soluciones como QRadar y Cortex XDR
Capacidad operativa sólida con menor enfoque en desarrollo
de IA.
Estrategas creativos
Trend Micro Apex One, Symantec
Endpoint
Pioneros en IA con una implementación aún limitada en
entidades bancarias.
Especialistas
locales
McAfee MVISION
Orientados a requerimientos puntuales con una cobertura de
mercado reducida.
Microsoft Defender for Cloud
CrowdStrike Falcon Cloud Security
IBM Cloud Pak for Security
Palo Alto Prisma Cloud
Trend Micro Cloud One
Symantec Cloud Workload Protection
McAfee MVISION Cloud
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 45 de 50
Journal of Scientific and Technological Research Industrial
La Tabla 6 muestra la caracterización de los proveedores,
colocando a cada proveedor en una de las cuatro categorías
del cuadrante: Líder, Competidor Desafiante, Visionarios y
Jugadores de Nicho. Esta evaluación ofrece una
perspectiva completa acerca de la situación actual de las
soluciones de ciberseguridad con base en IA dentro del
sistema bancario de Lima en el año 2024.
Tabla 6
Caracterización de los proveedores
Proveedor
Cuadrante
Puntos Fuertes
Debilidades
Microsoft Defender
Líder
Alta integración con
plataformas financieras e IA
de alto nivel.
Vinculación obligatoria con el
entorno de Microsoft.
CrowdStrike Falcon
Líder
Detección en monitorización
inmediata y exacta.
Inversión elevada frente a la
competencia.
Solución SIEM de IBM
Competidor Desafiante
Potente gestión de seguridad
con analítica profunda
Panel de control difícil y
periodo de capacitación
extenso.
Palo Alto Cortex XDR
Competidor Desafiante
Respuesta automatizada, buen
soporte.
Implementación costosa.
Trend Micro Apex One
Visionario
Fuerte en protección endpoint
con IA.
No es líder en respuesta a
incidentes.
Symantec Endpoint Security
Visionario
Protección multicapa contra
APTs.
Menos integración con
bancos.
McAfee MVISION
Jugador de Nicho
Arquitectura en la nube,
gestión sencilla.
No cubre todo el ciclo de
seguridad.
A través de la Tabla 7, se detalla cómo los distintos
proveedores son valorados basándose en su solvencia
operativa y capacidad de ejecución. Esta métrica es vital
para entender qué soluciones de inteligencia artificial
ofrecen un blindaje real contra ataques de tipo APT dentro
del ecosistema financiero limeño.
Tabla 7
Valorización de los proveedores
Proveedor/Tecnología
Categoría
Microsoft Defender ATP
Líder
CrowdStrike Falcon
Líder
IBM QRadar
Competidor desafiante
Plataforma de respuesta XDR
de Palo Alto
Competidor desafiante
Trend Micro Apex One
Visionario
Symantec Endpoint
Visionario
McAfee MVISION
Jugador de dicho
El Cuadrante Mágico permite clasificar las soluciones de
IA destinadas a neutralizar las APT en la banca local. Este
modelo organiza a los proveedores en cuatro áreas
estratégicas, evaluándolos bajo dos vectores clave: su
visión tecnológica (Eje X) y su capacidad real de
implementación (Eje Y).
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 46 de 50
Journal of Scientific and Technological Research Industrial
Figura 5. Análisis de la matriz estratégica de Gartner para el periodo 2025.
Nota. Matriz estratégica de Gartner. Adaptación basada en la investigación sobre implementación de seguridad y acceso
remoto (ZTNA) realizada por Albino y Diaz (2025).
Líderes (Arriba a la derecha)
• Microsoft Defender y CrowdStrike Falcon lideran el
sector gracias a su tecnología de inteligencia artificial
avanzada y su eficacia demostrada contra amenazas
persistentes, son las opciones más recomendadas para
entidades bancarias con altas exigencias en
ciberseguridad.
Competidores Desafiantes (Arriba a la izquierda)
• En este grupo, IBM QRadar y Palo Alto Cortex XDR
demuestran un rendimiento operativo sobresaliente.
No obstante, su integración de herramientas de IA aún
no alcanza el nivel de sofisticación de los líderes,
posicionándose como alternativas de gran valor para
bancos que ya cuentan con una infraestructura
tecnológica consolidada y buscan robustez funcional.
Visionarios (Abajo a la derecha)
• Trend Micro Apex One y Symantec Endpoint están
marcando la pauta mediante innovaciones disruptivas
en la detección de amenazas basadas en IA. Si bien
todavía no gozan del respaldo masivo de los líderes del
mercado, su visión tecnológica y capacidad de
anticipación las sitúan como oportunidades
estratégicas con un alto potencial de expansión a
futuro.
Jugadores de Nicho (Abajo a la izquierda)
• Finalmente, McAfee MVISION destaca por ofrecer
funcionalidades sumamente específicas. Aunque no se
presenta como una solución integral para las grandes
corporaciones financieras, constituye una herramienta
eficaz para entidades de menor escala o aquellas que
deben cubrir necesidades técnicas muy particulares.
Discusión
En consideración a la información recopilada en el presente
trabajo, es posible aseverar que la implementación de
modelos predictivos aplicados a IA tiene un impacto
positivo y determinante sobre la protección contra las APT
en el entorno bancario de Lima. Esta tecnología actúa no
solo como filtro, sino que también refuerza
estructuralmente las estrategias de detección, contención y
respuesta ante incidentes. Al poner en relación los
resultados que emanan de esta investigación y los
resultados de las tesis de Iturbe, et al. (2025) podemos
Microsoft Defender ATP
CrowdStrike Falcon
IBM QRadar
Palo Alto Cortex XDR
Trend Micro Apex One
Symantec Endpoint
McAfee MVISION
6 6.5 7 7.5 8 8.5 9 9.5 10
6
6.5
7
7.5
8
8.5
9
9.5
10
6
6.5
7
7.5
8
8.5
9
9.5
10
6 6.5 7 7.5 8 8.5 9 9.5 10
CAPACIDAD DE EJECUCIÓN
COMPLETITUD DE VISIÓN
Líderes
Competidor desafiante
Jugador de nicho
Visionario
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 47 de 50
Journal of Scientific and Technological Research Industrial
observar cómo confluyen en valorar las ventajas
competitivas que la IA proporciona al área de la
ciberseguridad. No obstante, el análisis también destila una
nota negativa: la implementación no está libre de roces,
particularmente en términos de privacidad y en el
tratamiento ético de los datos, ya que son puntos que
requieren una gestión técnica tan rigurosa como la defensa
misma.
Los Hitos relevantes de esta investigación resaltan la
existencia de una relación necesaria entre la complejidad
de los modelos de predicción y la posibilidad de operación
a fin de desactivar las APT. Las herramientas
automatizadas pasaron de ser recursos de soporte,
convirtiéndose así en estructuras clave de la ciberseguridad
financiera, pretendiendo llevar la detección avanzada en
forma de procesamiento de patrones complejos. Lo dicho
coincide con las afirmaciones de Shen et al. (2025) cuando
sostiene que la conjunción Big Data más IA es la única
forma útil para poder tratar la cantidad de datos que
producen las bancas contemporáneas. Esta competencia de
los algoritmos de poder identificar comportamientos
maliciosos en tiempo real, se pueden pasar de una
seguridad reactiva a una proactiva, anticipándose al
atacante.
Por otra parte, se genera una discrepancia interesante al
comparar la investigación de Alageel y Maffeis (2026),
pues para ellos los limitantes tienen que ver con la
resistencia al cambio/temor a que la automatización pueda
reemplazar el capital humano. En cambio, se puede
sostener que los resultados de la presente investigación
permiten volcar lo expuesto a una mayor integración de los
sucesos: los modelos predictivos no son, para nada, un
estrés de cambio, sino más bien entrevistas que permiten
que las herramientas de seguridad se desarrollen. El capital
humano no es reemplazable, dado que el personal experto
está dotado por la tecnología para ofrecer una rapidez en la
respuesta ante las nuevas potencialidades de la amenaza, lo
que sugiere que el ser humano es el eje central en el sistema
de defensa.
En lo que al eje normativo y regulador se refiere, Wang et
al. (2026) sugieren que la protección de datos personales
no necesariamente puede tener éxito si las normas que
delinean sus límites son no contundentes, ya que ello podría
dar lugar a riesgos de tipo sistémico. Este trabajo, si bien
también entiende la relevancia de la gobernanza, los
resultados alcanzados en las entidades financieras de Lima
enriquecen el acervo de evidencia empírica que suele faltar
en los análisis únicamente jurídicos, lo cual puede ser una
perspectiva complementaria a lo que se constata en la
literatura. Ambas perspectivas coinciden en un argumento
central y que comporta también cierta relevancia: potenciar
y encontrar las fortalezas de la IA es la vía más corta para
incrementar la resiliencia del sector financiero ante los
ataques más persistentes.
Un importante punto de inflexión se constituye al
considerar lo expuesto por Belali et al. (2026), quien pone
de relieve la disminución de la carga de trabajo operativa
gracias a la identificación de las amenazas en tiempo real.
Ahora bien, nuestra investigación indaga más a fondo al
expresar que, dentro del sistema bancario de Lima, el
entrenamiento especializado de estas herramientas dentro
del sector financiero ha permitido alcanzar
especificaciones de precisión que rompen con las barreras
genéricas de las cuales se da cuenta en la literatura
anteriormente expuesta. La integración táctica de la IA en
este espacio no solo permite avanzar en el camino de la
detección, sino que se transforma en la habilidad de dar
respuesta, permitiendo que la arquitectura de la seguridad
avance y evolucione, a la par que la capacidad de asestar
ataques complejos que hasta hace poco se consideraban
incognoscibles.
Por otra parte, el trabajo realizado por Deng et al. (2026)
otorga una óptica regia sobre la fusión entre el Big Data y
la IA de forma que permite advertir ofensivas cibernéticas.
Sus conclusiones destacan que es posible gestionar grandes
flujos de información asociándose a la detección de actos
maliciosos mediante algoritmos de aprendizaje automático.
Esta visión está íntimamente ligada a los resultados
obtenidos en el entorno del sistema bancario en Lima,
donde los modelos predictivos obtuvieron una correlación
positiva notable con la detección satisfactoria de las APT.
Es necesario identificar con claridad este estudio para
diferenciarlo de otros antecedentes, como el de Almazarqi
et al. (2025), pero en este caso se articula eminentemente
en una revisión teórica vinculada a los estudios a nivel
académico. A diferencia de esta investigación, nosotros
hemos permitido comprobar empíricamente y de una forma
más directa cómo relacionar estos modelos predictivos con
las amenazas factuales que viven las entidades bancarias.
El original resultado no hace otra cosa más que permitirnos
confirmar la existencia de una relación significativa entre
ambas variables y a la vez confirma las proyecciones de
Gutta et al. (2025) que proponen la AI como un punto muy
importante a tener en cuenta en la ciberseguridad
financiera. Al final, parece que la inteligencia artificial se
ha convertido en el factor clave para actualizar la detección
de las amenazas avanzadas y por tanto reforzar la
integridad y la estabilidad operativa de las entidades
bancarias ante los desafíos actuales del escenario digital.
Du et al. (2025), quienes consideran la inteligencia
artificial desde un enfoque relacionado con la forma de la
protección de la información personal en el ámbito de la
Ley N.º 29733, se lograron identificar motivos
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 48 de 50
Journal of Scientific and Technological Research Industrial
sobresalientes en relación con la gestión de riesgos y la
importancia de contar con un marco regulatorio sólido.
Incluso (Abualhassan et al., 2026 ) presuponen que los
modelos predictivos de IA y la resiliencia del sistema
bancario frente a APTs, los momentos presentes exhibieron
cómo estos modelos fueron útiles para la mejora de la
capacidad de recuperación para el sector financiero frente
a los ataques avanzados. Si bien la investigación previa se
orientaba hacia el marco normativo y los dilemas éticos; la
investigación del presente trabajo mostró la relación
asociada entre los modelos predictivos de inteligencia
artificial y la resiliencia del sistema bancario que hace
frente a las amenazas persistentes. Con esto se reafirma la
idea de que esos modelos podría ayudar a la anticipación y
al seguimiento de los riesgos cibernéticos, conjugando las
recomendaciones regulatorias que establece el estudio
(Arulkumar & K, 2025).
La inteligencia artificial (IA) en la gestión de servicios de
tecnología de la información (TI) fue capaz de aumentar la
eficiencia, reducir costos y mejorar la toma de decisiones,
así como indican (Choudhary & Khaitan, 2026). En un
contexto de importantes cambios, como la resistencia al
cambio organizacional y el riesgo del reemplazo de tareas
humanas, lo que puede impactar el empleo, lo que indica
(Bodström & Hämäläinen, 2026). En el presente estudio
estaba presente de forma análoga una relación positiva
entre los modelos de predicción de la IA y la constante
actualización de las estrategias de defensa contra APT. A
diferencia del estudio mencionado que aborda el impacto
de la IA en los servicios generales de TI en concreto, este
estudio se detiene más en la aplicación relativa a la
evolución de las estrategias de defensa de ciberseguridad
dentro del sector bancario. Los resultados son consistentes
con las conclusiones de (Lee et al., 2025), que insisten en
que los modelos predictivos no son solo una mejora de los
procesos, sino que también favorecieron la adaptación de
manera continua de las herramientas de seguridad para las
nuevas amenazas, enfatizando su importancia en un
entorno cibernético con riesgo elevado.
Conclusiones
Dado lo anteriormente expuesto, se constata que la
inclusión de modelos predictivos basados en IA no es solo
una cuestión técnica, sino que constituye un cambio radical
en lo que tiene que ver con la seguridad en el sector
bancario limeño. Es decir, los bancos no dependen de
muros digitales (muros de protección) estáticos, sino que
otorgan al sistema la posibilidad de "comprender" y
procesar volumetrías masivas de datos en tiempo real, lo
que configura una diferencia abismal con respecto a la
defensa convencional. Gracias a su base en el aprendizaje
automático, las entidades son capaces de ir interpretando
patrones de comportamiento y anomalías antes de que se
hayan vuelto irreparables, es decir, de transformar una
infraestructura reactivamente pura en una arquitectura
inteligente que anticipa el movimiento del atacante.
Del mismo modo, el uso de estas herramientas también
favorece la resistencia de la infraestructura financiera a las
incursiones que son sostenidas. La IA genera la
optimización de los procesos de defensa; se avanzan en la
resistencia actual, además de la evolución de los
mecanismos de defensa, ello es importante, porque la IA de
forma continua permite que los procesos de protección sean
más sofisticados conforme se va avanzando en los vectores
de ataque, lo que permite una evolución de los sistemas de
protección conforme a los vectores de ataque, que siempre
están en cambio.
Dada la característica evasiva y el carácter que poseen las
APT (amenazas persistentes avanzadas), el sector bancario
requiere mecanismos de defensa que se adapten a ese
carácter dinámico y, a la vez, puedan autoaprender. En este
sentido, la interacción de la incorporación de modelos
predictivos en los SOC (Centros de Operaciones de
Seguridad) mejora enormemente el nivel de anticipación
respecto de los riesgos implícitos. Esta tecnología no se
limita a la detección de la intrusión en tiempo real, sino que
también proyecta las vulnerabilidades que pueden aparecer
en el futuro más próximo, dotando al nivel de seguridad
operativa de la capacidad de anticipar las incidencias para
consolidar el perímetro digital proactivamente.
Se pone de manifiesto el impacto de la inteligencia
artificial de cara a disminuir los riesgos en la
ciberseguridad bancaria permitiendo a las instituciones
anticiparse a los ataques y fortalecer sus sistemas ante las
numerosas y crecientes amenazas digitales.
Recomendaciones
Las entidades bancarias deberían centrarse en la
implementación de programas de capacitación técnica
especializada mientras se hace seguimiento a la idoneidad
continuada de sus arquitecturas de IA; a diferencia de los
enfoques puramente teóricos que se han analizado en la
literatura, este trabajo demuestra que la incorporación
empírica de las amenazas reales junto a los modelos
predictivos constituye la clave para perfeccionar la
defensa; por ello, la inversión en tecnología ha de ir
acompañada de un camino de desarrollo de competencias
en el capital humano para garantizar la viabilidad frente a
los retos actuales.
Con todo ello, también se recomienda desarrollar
protocolos específicos basados en IA que ayuden a mejorar
la detección adelantada. Para verificar que estos sistemas
son eficaces, es necesario programar y realizar simulacros
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 49 de 50
Journal of Scientific and Technological Research Industrial
periódicos dirigidos a los equipos de ciberseguridad que
permitan auditar la eficacia de la capacidad de respuesta
real del sistema ante amenazas complejas, asegurando de
este modo que las herramientas predictivas están
correctamente afinadas para contrarrestar ataques de alta
persistencia.
Se aconseja a las áreas de infraestructura tecnológica de las
entidades financieras reforzar la resiliencia del sistema
frente a las APT, garantizando la implementación de
herramientas que permitan el monitoreo y la mitigación
continua de los riesgos.
Resulta apropiado establecer calendarios de actualización
de los modelos predictivos de IA contra amenazas con
carácter más sofisticado, la actualización de las mejoras se
guarda alineada a las tendencias globales de innovación
tecnológica y futuras APT.
Referencias Bibliográficas
Abualhassan, Z., Hassan, E., Husni, D., Alothman, B.,
Shehata, N., Trabelsi, M., Shyha, I., Jaradat, S., &
Al-Dubai, A. (2026). Malware recognition using
novel convolutional neural network with residual
connections. International Journal Of Machine
Learning And Cybernetics, 17(3).
https://doi.org/10.1007/s13042-025-02815-6
Alageel, A., & Maffeis, S. (2026). Investigation of
advanced persistent threats network-based tactics,
techniques and procedures. Computer Networks,
278, 112069.
https://doi.org/10.1016/j.comnet.2026.112069
Almazarqi, H. A., Woodyard, M., & Marnerides, A. K.
(2025). BotPro: Data-driven tracking & profiling of
IoT botnets in the wild. Computers & Security, 162,
104778. https://doi.org/10.1016/j.cose.2025.104778
Arulkumar, D., & K, K. (2025). Metastack-aptnet: An
ensemble deep learning framework for advanced
persistent threat detection and mitigation in cyber-
physical systems using blockchain technology.
Computers & Electrical Engineering, 130, 110838.
https://doi.org/10.1016/j.compeleceng.2025.110838
Banco Bilbao Vizcaya Argentaria S.A. ”BBVA ”. (2025,
10 de septiembre). La IA, en los dos lados de la
ciberseguridad: aliada y amenaza en el mundo
digital. BBVA.
https://www.bbva.com/es/innovacion/la-ia-en-los-
dos-lados-de-la-ciberseguridad-aliada-y-amenaza-
en-el-mundo-digital/
Belali, F., Essetty, A., Bah, S., Wafi, I. E., & Daghouri, A.
(2026). Design of a resilient multi-layered security
framework for satellite communications.
International Journal Of Information Security, 25(2).
https://doi.org/10.1007/s10207-025-01184-z
Bodström, T., & Hämäläinen, T. (2026). Raw binary data
usage with deep learning for advanced persistent
threat attacks early stage detection. International
Journal Of Machine Learning And Cybernetics,
17(2). https://doi.org/10.1007/s13042-025-02853-0
Choudhary, N., & Khaitan, V. (2026). Dependability
Analysis of Cloud‐Based VoIP Under an Advanced
Persistent Threat Attack: A Semi‐Markov Approach.
Transactions On Emerging Telecommunications
Technologies, 37(2).
https://doi.org/10.1002/ett.70353
De la Hoz Suárez, B. A., Moran, I. F. L., Tete, A. E. M., &
De la Hoz Suárez, A. I. (2024). Inteligencia artificial
como estrategia para gestionar los procesos de
auditoría financiera. Revista Estrategia
Organizacional, 13(1), 57-72.
https://doi.org/10.22490/25392786.7818
Deng, X., Li, P., Wang, C., Wang, R., Liu, Y., Han, W., &
Tian, Z. (2026). A Stackelberg game based
deception defense strategy against APT under
resource constraints. Science China Information
Sciences, 69(3). https://doi.org/10.1007/s11432-
025-4530-7
Du, Y., Ren, W., Li, W., Wang, M., Wang, W., Zhang, H.,
& Xia, M. (2025). GA-ConvE: An APT attack
prediction method based on combination of graph
attention network and 2D convolution. Neural
Networks, 195, 108216.
https://doi.org/10.1016/j.neunet.2025.108216
Duan, L., Wen, M., & Xiong, Y. (2025). MLDSJ: a multi-
level feature joint attribution method for APT group
based on threat intelligence. EURASIP Journal On
Information Security, 2026(1).
https://doi.org/10.1186/s13635-025-00222-6
Enrique, D. M. L., & Samuel, A. H. E. (2025, 22 junio).
Implementación de una Solución de Seguridad para
el Filtrado Web y el Acceso Remoto Seguro a
Aplicaciones Empresariales mediante el uso de Zero
Trust Network Access (ZTNA).
http://hdl.handle.net/10757/685827
Gutta, A., S, S., M, N., Shetty, Y. A., C, D., G, A., &
Kamwa, I. (2025). A security-centric SCADA
framework for wind energy systems using enhanced
network segmentation and rogue traffic
visualization. Results In Engineering, 29, 108535.
https://doi.org/10.1016/j.rineng.2025.108535
Journal of Scientific and Technological Research
Industrial
ISSNe: 2961-211X
PROF-JSTRI-V-00
Vol. 7 N.º 1
(January - June, 2026)
Página 50 de 50
Journal of Scientific and Technological Research Industrial
Hassanzadeh, E., Hajiabadi, M. E., Samadi, M., & Lotfi, H.
(2023). Improving the resilience of the distribution
system using the automation of network switches.
The Journal Of Engineering, 2023(2).
https://doi.org/10.1049/tje2.12238
Hua, B., & Xi, H. (2025). A privacy preserving intrusion
detection framework for IIoT in 6G networks using
homomorphic encryption and graph neural
networks. Scientific Reports, 16(1), 2297.
https://doi.org/10.1038/s41598-025-32087-7
Hussain, N., Li, S., Hussain, A., Ullah, Z., & Jamjoom, M.
(2025). Quantum-aware secure blockchain intrusion
detection system for industrial IoT networks.
Scientific Reports, 16(1), 2265.
https://doi.org/10.1038/s41598-025-31985-0
Iturbe, E., Dalamagkas, C., Radoglou-Grammatikis, P.,
Rios, E., & Toledo, N. (2025). A pattern-aware
LSTM-based approach for APT detection leveraging
a realistic dataset for critical infrastructure security.
Future Generation Computer Systems, 178, 108308.
https://doi.org/10.1016/j.future.2025.108308
Kalogiannidis, S., Patitsa, C., & Chalaris, M. (2024). The
Integration of Artificial Intelligence in Business
Communication Channels: Opportunities and
Challenges. WSEAS TRANSACTIONS ON
BUSINESS AND ECONOMICS, 21, 1922-1944.
https://doi.org/10.37394/23207.2024.21.157
Lee, S., Seo, H., Heo, H., Wang, A., Shin, S., & Kim, J.
(2025). SecTracer: A framework for uncovering the
root causes of network intrusions via security
provenance. Computers & Security, 161, 104760.
https://doi.org/10.1016/j.cose.2025.104760
Lewis, A. (2026). The Red Queen of cyberspace: The
persistence of advanced persistent threats (APTs)
explained through co-evolution. Technology In
Society, 86, 103238.
https://doi.org/10.1016/j.techsoc.2026.103238
Madrid, J. (2024). El impacto de la Inteligencia Artificial
en la protección de datos personales y el acceso a la
información. https://www.ucm.es/eg/file/el-
impacto-de-la-inteligencia-artificial-en-
protecci%C3%93n-de-datos-personales-y-acceso-a-
la-informaci%C3%93n?ver.
Melo, V. (2022). Inteligencia artificial, desinformación y
protección de datos personales. In Itinere. Revista
Digital de Estudios Humanísticos de la Universidad
FASTA, 12(1),26–37.
https://revistas.ufasta.edu.ar/index.php/initinere/arti
cle/view/234/pdf_174
Molina, O. (2023). Inteligencia artificial, Bigdata y
Derecho a la protección de datos de las personas
trabajadoras. Revista de Estudios Jurídico Laborales
y de Seguridad Social (REJLSS), 6, 89-117.
https://revistas.uma.es/index.php/REJLSS/article/vi
ew/16225/16626
Olasehinde, D. O., Bamisile, O., Ejiyi, C. J., Zhang, G.,
Cai, D., Li, J., Wei, L., & Huang, Q. (2026).
Cybersecurity in cyber-physical power systems:
analyzing vulnerabilities, threats, and control
structures. Cluster Computing, 29(3).
https://doi.org/10.1007/s10586-025-05894-w
Pardiñas, S. (2020). Inteligencia Artificial: un estudio de su
impacto en la sociedad.
https://ruc.udc.es/rest/api/core/bitstreams/e6401877
-6b89-4b3c-9c51-0e8e5ec26224/content
Ren, W., Zhao, L., & Li, W. (2026b). A knowledge
extrapolation model for attack inference based on
graph attention networks and relation mapping.
Knowledge And Information Systems, 68(1).
https://doi.org/10.1007/s10115-025-02669-y
Sarker, I. H. (2022). AI-Based Modeling: Techniques,
Applications and Research Issues Towards
Automation, Intelligent and Smart Systems. SN
Computer Science, 3(2), 158.
https://doi.org/10.1007/s42979-022-01043-x
Shen, J., Li, F., Hashemi, M., & Fang, H. (2025). Resilient
and Robust Controller Design in Large-Scale Multi-
Agent Industrial Cyber-Physical Systems. Journal
Of Dynamic Systems Measurement And Control,
148(3). https://doi.org/10.1115/1.4070173
Wang, H., Chen, W., Li, L., Pu, H., & Zhang, Y. (2026).
Dinspector: Dual factor graph attention mechanism
for Advanced Persistent Threat detection.
Engineering Applications Of Artificial Intelligence,
167, 113861.
https://doi.org/10.1016/j.engappai.2026.113861
Yang, L., Ye, A., Liu, Y., Lu, W., & Huang, C. (2025).
LLM-APTDS: A high-precision advanced persistent
threat detection system for imbalanced data based on
large language models with strong interpretabilit.
Future Generation Computer Systems, 178, 108315.
https://doi.org/10.1016/j.future.2025.108315
CORRESPONDENCIA:
Héctor Martín Espinoza Villavicencio
2022032322@unfv.edu.pe