Actualizado el 03/02/2026
Actualizado el 03/02/2026
Un nou enfocament multiplica la ciberseguretat a les llars connectadesEscrito por Redacción TNI el 30/01/2026 a las 16:49:03368
 El nombre de llars intel·ligents, plenes de dispositius connectats a internet, no deixa de créixer. A la Unió Europea, més del 70 % de la població té algun tipus de dispositiu connectat a casa seva sense comptar ordinadors ni telèfons intel·ligents, segons dades d'Eurostat. Les televisions, els sistemes d'àudio i joc, els assistents virtuals i els sistemes de domòtica són els més habituals. Tots aquests dispositius ofereixen comoditat i eficiència, però també obren la porta a nous riscos de ciberseguretat. No obstant això, la detecció d'anomalies en els sistemes de llars intel·ligents —com les que provoquen els ciberatacs— és plena de reptes derivats, en gran mesura, del mateix disseny d'aquests algorismes de detecció.
Una recerca liderada per Helena Rifà Pous, del grup K-ryptography and Information Security for Open Networks (KISON), adscrita al Centre de Recerca en Tecnologies Ètiques i Connectivitat per a la Humanitat (UOC-TECH) i professora agregada dels Estudis d'Economia i Empresa i dels Estudis d'Informàtica, Multimèdia i Telecomunicació, i Juan Ignacio Iturbe Araya, investigador del centre UOC-TECH de la Universitat Oberta de Catalunya (UOC) i del Departament d'Enginyeria Informàtica de la Universitat de Santiago de Xile, ha proposat un nou enfocament de treball per optimitzar aquests algorismes.
Objectiu: corregir el desequilibri dels algorismes
Ja fa temps que els mètodes tradicionals de detecció d'atacs són insuficients davant l'augment en la varietat i en el volum de les amenaces a què s'enfronten els sistemes intel·ligents de la llar. Aquests models, que requereixen que el sistema conegui per endavant cada tipus d'atac i els patrons que l'identifiquen, estan sent desplaçats per les anomenades tècniques d'aprenentatge no supervisat, capaces d'identificar comportaments anòmals sense necessitat de disposar de dades prèvies sobre les amenaces. Tanmateix, aquestes tècniques també tenen un punt feble.
El rendiment d'aquests sistemes depèn en gran mesura de com s'ajusten els paràmetres interns mitjançant els quals avaluen els comportaments anòmals a fi d'anticipar-se a un possible atac. Triar malament aquests valors pot reduir la capacitat del sistema per detectar atacs nous o poc freqüents, cosa que és especialment acusada en entorns amb dades desequilibrades, és a dir, en entorns com el domèstic, en el qual hi ha moltes més dades sobre trànsit normal que sobre trànsit anòmal i, dins de les anomalies, cadascuna pot tenir una freqüència molt diferent.
"El nostre treball planteja que, encara que es facin servir mètodes no supervisats de detecció d'anomalies, aquests mètodes poden funcionar millor si optimitzem de manera automàtica la configuració del sistema", explica Helena Rifà Pous. "L'estudi analitza com impacta la selecció de les mètriques d'optimització en el rendiment posterior d'aquests models d'aprenentatge no supervisat. I conclou que les mètriques basades en el coeficient de correlació de Matthews (una escala utilitzada per classificar prediccions) són les que tenen millors resultats, ja que permeten que els sistemes siguin més generalitzables, equilibrats i robustos", afegeix.
Per a la investigadora de la UOC, el resultat de l'estudi (publicat en obert a Journal of Network and Systems Management) subratlla la importància de l'ús de mètriques més equilibrades per avançar cap a sistemes de seguretat més fiables i efectius. "El canvi de criteri que suggereix la nostra recerca permetrà crear sistemes de detecció d'anomalies més flexibles, que es puguin adaptar millor a les necessitats dels usuaris particulars que no tenen coneixements de ciberseguretat o informàtica. En essència, garantirà que els productes que arribin al mercat siguin capaços de detectar millor els atacs reals i estranys, i que no només siguin bons per confirmar que el trànsit és normal", assenyala.
Noticias Relacionadas:Localret y la UOC colaboran para la formación del personal al servicio de los ayuntamientos |
