ReCIBE, Revista electrónica de Computación, Informática, Biomédica y Electrónica

Comportamientos humanos de riesgo en la ciberseguridad: Un análisis de contraseñas débiles, falta de actualización y clics en enlaces no verificados.

Alberto Jair Cruz Landa — 2026-09-15

Los comportamientos humanos relacionados con el uso de contraseñas débiles, la falta de actualizaciones de software y la interacción con hipervínculos no verificados, conllevan riesgos en el ámbito de la ciberseguridad. Cabe destacar que independientemente de los avances en el ámbito tecnológico el factor humano es responsable en un alto número de incidencias de seguridad, debido a errores, omisiones o decisiones humanas. La literatura en ciberseguridad aún presenta una desconexión entre la identificación de los comportamientos humanos de riesgo, las consecuencias que estos generan y los factores que los originan. Esta falta de articulación limita la comprensión integral del problema y provoca que muchas soluciones propuestas resulten excesivamente técnicas o poco accesibles para el usuario final, dificultando la mitigación efectiva de estas conductas dentro de los sistemas de información. El presente estudio tiene como objetivo analizar las consecuencias asociadas y factores que influyen en los comportamientos humanos de riesgo en ciberseguridad, a través de una revisión sistemática de literatura, con el fin de recuperar estrategias de prevención.

Robust Reliability for UAV Detection in Edge AI: A Data-Centric Framework via Structural–Semantic Curation, Maximin Selection, and Raspberry Pi Validation

LUIS ANGEL OLVERA OLVERA — 2026-10-19

Los sistemas de detección basados en vehículos aéreos no tripulados (UAV) que operan en condiciones reales presentan fallas ante cambios severos de dominio y degradación de escala, situaciones en las que las métricas promedio pueden ocultar vulnerabilidades críticas. Este trabajo plantea la hipótesis de que la optimización centrada en los datos, mediante la deduplicación estructural (pHash/DCT) y la auditoría semántica profesor-estudiante, mejora la robustez en el peor de los casos y la generalización entre dominios en detectores ligeros, sin incrementar la complejidad del modelo y respetando las restricciones de la inteligencia artificial en el borde (Edge AI).

Se propone un marco de Inteligencia Artificial Centrada en los Datos (Data-Centric AI, DCAI) adaptado a Edge AI, que integra: (i) deduplicación perceptual mediante pHash para reducir la redundancia estructural; (ii) un esquema de auditoría profesor-estudiante que utiliza YOLO11x para controlar el ruido semántico y la consistencia geométrica; y (iii) un espacio de búsqueda formulado como un marco jerárquico de ablación basado en el Diseño de Experimentos (Design of Experiments, DoE), con configuraciones R0–R4, restricciones de recuperación mínima (minimum-recall gating) y selección multicriterio (Multi-Criteria Decision-Making, MCDM) bajo el criterio maximin de Wald. Los resultados experimentales muestran mejoras limitadas en las métricas promedio (aproximadamente del 1 %), pero ganancias consistentes en escenarios de falla, que alcanzan hasta un +5.95 % en precisión y un +1.36 % en recuperación en el peor de los casos.

El análisis mediante modelos lineales generales (GLM) y análisis de varianza (ANOVA) demuestra que el conjunto de datos y el escenario dominan la variabilidad del rendimiento (\(\eta_p^2 \approx 0.96–0.99\)), mientras que los efectos de la semilla aleatoria no son estadísticamente significativos (\(p > 0.05\)), lo que confirma la estabilidad y reproducibilidad de los resultados. La validación en una Raspberry Pi 5 mediante NCNN demuestra la viabilidad del despliegue en dispositivos de borde, manteniendo una precisión superior a 0.94 y una recuperación superior a 0.90 a distancias de entre 5 y 25 m bajo condiciones de degradación controlada.

La contribución principal radica en la integración sistemática de un modelo DCAI dentro de un marco jerárquico de DoE, evaluado mediante un criterio maximin de MCDM. Este enfoque permite atribuir causalmente las mejoras de rendimiento al diseño de los datos, en lugar de a la arquitectura del modelo, bajo restricciones reales de Edge AI para aplicaciones con UAV.

El Perceptrón multicapa compacto con reducción dimensional por comparación en valores singulares para el reconocimiento de dígitos manuscritos

Alma Aide Sánchez Ramírez — 2026-10-19

El reconocimiento de patrones visuales mediante redes neuronales de tipo perceptrón multicapa se emplea en tareas con recursos limitado de cómputo, memoria y tiempo de entrenamiento. En este trabajo se implementa un método que aplica la descomposición por valores singulares (SVD) y se evalúan en un perceptrón multicapa (MLP), para clasificar imágenes de dígitos manuscritos de píxeles. La SVD sirve a dos fines simultáneos; reduce la dimensionalidad al proyectar las imágenes sobre el subespacio singular dominante, y a la vez ofrece a la primera capa una inicialización determinista e interpretable. Un punto por considerar en el diseño experimental es la base singular se estima exclusivamente sobre la partición de entrenamiento y se aplica, sin recalcularse, a la de prueba; lo que evita por construcción la transferencia indebida de información entre particiones. La evaluación es realizada sobre una base de imágenes de entrenamiento y de prueba, balanceadas en diez clases; la SVD comprime la entrada a un intervalo comprendido entre el y el de su dimensión original e incluso superando la exactitud del modelo sin reducción, y disminuyendo de manera monótona la pérdida para la fase de prueba. El modelo alcanza una exactitud del y un puntaje macro de con únicamente parámetros entrenados, frente a los de una arquitectura MLP equivalente sin reducción. La corrección de la retropropagación y la integridad del protocolo experimental se verifican numéricamente.