Ciberseguridad en 2025: IA, redes tensoriales y computación cuántica contra amenazas digitales

Las redes tensoriales y la computación cuántica están transformando la detección de anomalías en tiempo real, abriendo una nueva era para la ciberseguridad en 2025.

La detección de anomalías en sistemas digitales sigue siendo uno de los pilares de la ciberseguridad moderna. Sin embargo, la creciente complejidad y volumen de los datos ha puesto en entredicho la eficacia de las soluciones tradicionales. Tecnologías emergentes como las redes tensoriales y la computación cuántica ofrecen nuevas perspectivas para abordar este problema con mayor eficiencia estructural y capacidad predictiva. Estas soluciones permiten modelar correlaciones de largo alcance y estructuras latentes en los datos que antes pasaban desapercibidas para los enfoques clásicos.

El reciente ataque global al software de servidor de Microsoft, utilizado por miles de organismos públicos y empresas, demuestra que un solo actor puede poner en jaque a infraestructuras críticas. Este tipo de incidentes deja claro que la Ciberseguridad en 2025 no puede depender solo de sistemas tradicionales, sino que debe apoyarse en tecnologías disruptivas como la computación cuántica y la IA para anticiparse a amenazas invisibles.

EL RETO DE LAS AMENAZAS MODERNAS Y LAS TECNOLOGÍAS EMERGENTES

En su esencia, detectar una anomalía consiste en identificar patrones de comportamiento atípico dentro de un entorno de referencia. En ciberseguridad, esto puede significar desde accesos irregulares hasta actividades de red que sugieren movimientos laterales o exfiltración de datos. Además, muchas veces estas acciones se ocultan dentro de patrones normales, lo que requiere una capacidad de representación sofisticada para su detección temprana.

Tradicionalmente, se ha confiado en modelos estadísticos o sistemas de aprendizaje automático, que sufren limitaciones frente a datos de alta dimensionalidad o relaciones no lineales. Esta situación se agrava con la naturaleza dinámica de los entornos digitales actuales, donde los perfiles de comportamiento cambian constantemente, dificultando la generalización de los modelos entrenados. Además, muchos de estos métodos son supervisados, y requieren de datos previamente clasificados para poder entrenarse y funcionar. Esta limitación hace que no se pueda reaccionar correctamente en entornos desconocidos de los cuales no se tenga datos correctos o suficientes. Esto es especialmente necesario en el campo de la ciberseguridad, donde las amenazas nuevas (zero-day) o los ataques sigilosos no están representados en los conjuntos de entrenamiento.

En este contexto, las redes tensoriales se destacan por su capacidad de reducir la dimensionalidad de los datos sin perder información relevante, lo que las convierte en herramientas prometedoras para representar estados complejos de sistemas. Además, permiten realizar este proceso de detección de manera no supervisada, de forma que no se necesitan datos previos. Por otro lado, la computación cuántica aporta un paradigma distinto, en el que el uso de embeddings de dimensionalidad extremadamente mayor puede. La combinación de estos enfoques podría dar lugar a nuevos sistemas de detección de amenazas con capacidades adaptativas y explicativas superiores.

¿QUÉ SON LAS REDES TENSORIALES Y POR QUÉ SON RELEVANTES EN CIBERSEGURIDAD?

Las redes tensoriales son una herramienta poderosa, ampliamente utilizada en física y matemáticas aplicadas, que permite representar estructuras de datos multidimensionales (tensores) de forma eficiente y escalable. Su principal fortaleza radica en la capacidad de realizar una compresión estructurada de la información sin incurrir en una pérdida significativa, lo que posibilita modelar sistemas complejos con millones de grados de libertad mediante representaciones compactas y manejables computacionalmente.

En el contexto del análisis de datos, las redes tensoriales ofrecen un enfoque innovador para el tratamiento de grandes volúmenes de información. Son especialmente útiles para procesar y analizar registros masivos como logs de servidores, flujos de datos en redes de comunicación, sensores distribuidos en IoT o datos en tiempo real de sistemas críticos. Su estructura jerárquica y modular permite capturar relaciones de dependencia y patrones complejos que escapan a las técnicas tradicionales de análisis lineal o estadístico.

Proceso de compresión de datos para redes tensoriales

Además, esta capacidad de extraer las estructuras y patrones de los conjuntos de datos permiten caracterizar los datos de forma no supervisada. Esto es, si podemos obtener los patrones más relevantes, y eliminamos los menos relevantes, podremos filtrar los datos anómalos de los normales. Y todo esto sin necesidad de tener etiquetados los datos. Además, también podemos aplicar técnicas de compresión a modelos de IA entrenados para la detección de estas anomalías, o incluso generar nuevos tipos de embeddings de gran interés.

Muchas de estas capacidades pueden ser obtenidas o mejoradas mediante el uso de algoritmos cuánticos. Esto va desde algoritmos cuánticos de clasificación hasta complejos modelos de inteligencia artificial cuántica, que se aprovechen de la inserción de los datos en el espacio de Hilbert, de forma que puedan ser mejor clasificados ahí.

CASOS DE USO DE ALGORITMOS NO SUPERVISADOS EN CIBERSEGURIDAD 

En entornos de red altamente distribuidos, como los que se encuentran en instituciones financieras, infraestructuras críticas o industrias con IoT avanzado, la detección temprana de amenazas cibernéticas representa un reto significativo. Algunos casos de aplicación son:

CONSIDERACIONES PRÁCTICAS Y VIABILIDAD

Actualmente, la adopción de estas tecnologías requiere colaboración entre expertos en seguridad, matemática aplicada y computación cuántica. Aunque el despliegue completo puede no ser inmediato, es factible iniciar pilotos o pruebas de concepto en entornos controlados. Existen librerías y plataformas cuánticas accesibles (como Qiskit o Pennylane)  que permiten desarrollar prototipos sin una infraestructura cuántica dedicada, y herramientas tensoriales consolidadas (como PyTorch, TensorKrowch o ITensor) que permiten utilizar de manera más sencilla las tensor networks.

En este contexto, el ITCL lleva tiempo trabajando en los campos de la ciberseguridad y la computación cuántica, además de la aplicación de tensor networks para la mejora de la ciberseguridad en proyectos como CICERO, donde se han creado y aplicado algoritmos de tensor networks para detección no supervisada de anomalías en el tráfico de red de un PLC.

CONCLUSIÓN: UN LLAMADO A LA EXPLORACIÓN RESPONSABLE

El futuro de la ciberseguridad no dependerá solo de más datos, sino de cómo los modelamos y analizamos. Las redes tensoriales y la computación cuántica ofrecen una aproximación estructuralmente distinta, orientada a la eficiencia y la detección de relaciones no triviales. Sin prometer soluciones milagrosas, estas tecnologías invitan a la experimentación fundamentada, con potencial real para enfrentar amenazas complejas en escenarios cada vez más desafiantes.