Evaluación comparativa de arquitecturas de Deep Learning mediante modelos estadísticos para la detección de malware polimórfico en entornos empresariales

Abstract

La capacidad del malware polimórfico para modificar continuamente su estructura interna sin alterar su comportamiento malicioso plantea un desafío para la ciberseguridad. Los mecanismos tradicionales de detección basados en firmas siguen mostrando limitaciones a la hora de identificar nuevas variantes de dichas amenazas. En este contexto, el estudio se llevó a cabo utilizando el paradigma de Descubrimiento de Conocimiento en Bases de Datos (KDD), integrando arquitecturas de aprendizaje profundo (*Deep Learning*) con técnicas de evaluación estadística y análisis operativo para valorar la detección de malware en entornos empresariales. La comparación entre las arquitecturas CNN1D, MLP y Transformer se realizó mediante un esquema de validación cruzada *k-fold* estratificada. El rendimiento de cada arquitectura se evaluó utilizando métricas de clasificación, curvas ROC y de precisión-exhaustividad (*Precision-Recall*), análisis de calibración probabilística, estabilidad entre particiones de validación, riesgo operativo e inferencia basada en Modelos Lineales Generalizados (GLM) y razones de momios (*Odds Ratios* u OR). El análisis utilizó el conjunto de datos de malware polimórfico —disponible públicamente en Kaggle—, compuesto por 3.333 muestras etiquetadas de software benigno y malicioso. La comparación entre arquitecturas reveló diferencias estadísticamente significativas. La arquitectura MLP demostró el mejor rendimiento, combinando una capacidad predictiva superior, una calibración probabilística más precisa y el menor riesgo operativo. Con una puntuación F1 de 0,966, superó a las arquitecturas Transformer (F1 = 0,721) y CNN1D (F1 = 0,244). El análisis inferencial mediante GLM confirmó una ventaja estadísticamente significativa de MLP sobre CNN1D (OR = 29,19; p < 0,001). Los resultados ponen de manifiesto el valor de un enfoque basado en el paradigma KDD, que integra arquitecturas de aprendizaje profundo con análisis estadístico, calibración probabilística y evaluación del riesgo operativo. Esta estrategia permitió una evaluación más exhaustiva y aportó evidencia adicional para interpretar la utilidad de dichas arquitecturas en la detección de malware polimórfico en entornos empresariales.