Ciberataques asistidos por IA generativa
vs. la capacidad de respuesta de un SOC

01 / EL PROBLEMA

Presentación del problema

02 / LOS DATOS

Datos recolectados y procesados

03 / MODELO Y SIMULACIÓN

Descripción del modelo

μ  = 1 / E[S]            # tasa de servicio por analista
ρ  = λ / (c·μ)           # utilización (estable si ρ < 1)
a  = λ / μ               # carga ofrecida (erlangs)

           C(c,a)        # Erlang-C: P(una alerta espera)
Wq = ─────────────       # espera media en cola
        c·μ − λ

Lq = λ · Wq              # alertas en cola (Ley de Little)

Panel de estado — utilización (ρ) por escenario

El hallazgo central de un vistazo: cada barra es la utilización del equipo; la línea marca la saturación (ρ = 1), donde la cola crece sin límite.

Resultados de la simulación

Supuestos y limitaciones

Explicitarlas es parte de la reflexión crítica: el modelo es coherente, no exhaustivo.

• Cola FIFO sin priorización por severidad (en un SOC real habría clases de alerta).
• Tiempo de servicio exponencial: simplifica la cola larga de casos complejos reales.
• Las CVEs son un proxy del crecimiento de amenazas, no una medida directa de ataques.
• Cerca de saturación (ρ≈0,99) la simulación a horizonte finito queda ~17 % por debajo de la teoría: efecto de alta varianza conocido, no un error del código.

04 / TRANSPARENCIA

Uso de IA y otras herramientas

Este trabajo se desarrolló con asistencia de herramientas de IA generativa. Abajo, en qué etapa se usó cada una, con espacio para la reflexión crítica (validación, correcciones y limitaciones) que completo en primera persona.

1. Etapa 1Claude.ai

   Definición del tema y objetivos

   Prompt (resumido): pedí acotar un tema de Modelos y Simulación relacionado con ciberseguridad e IA, mediante preguntas guiadas, antes de desarrollar nada.

   Usé Claude.ai para acotar el tema mediante preguntas guiadas en vez de pedir directamente "dame un tema". Elegí ciberseguridad + IA porque conecta con mi perfil (DevOps/seguridad) y es un tema con datos públicos reales disponibles. La propuesta inicial (modelo de colas para un SOC) la aprobé casi tal cual porque era coherente con lo que pedía la consigna: no hacía falta un modelo más complejo.

2. Etapa 2Claude.ai

   Recolección y análisis de datos reales

   Prompt (resumido): búsqueda y curación de datos públicos (NVD, Hoxhunt, Zscaler, Mandiant, Vectra, Prophet Security), con cifra y fuente citada para cada una.

   Confié en la búsqueda y curación de fuentes que hizo la IA porque cada cifra vino con la fuente citada (NVD, Hoxhunt, Zscaler, Mandiant, Vectra, Prophet Security), lo que me permitió chequear el origen de cada dato en vez de aceptar un número sin trazabilidad. No verifiqué cada cifra contra la fuente original de forma exhaustiva, y lo marco como una limitación: para una versión más rigurosa habría que confirmar cada estadística directamente en el reporte fuente antes de usarla como definitiva.

3. Etapa 3Claude Code

   Implementación del modelo

   Prompt (resumido): estructura del proyecto, modelo M/M/c, datos de calibración y 5 escenarios; se pidió proponer el modelo y las fórmulas antes de escribir código, para revisarlo primero. El simulador se validó contra Erlang-C (~1–2 %).

   Le pedí a Claude Code que propusiera el modelo y las fórmulas antes de escribir código, justamente para poder revisar el criterio técnico antes de invertir tiempo en la implementación. La validación contra la fórmula teórica de Erlang-C (error <2 % en el caso baseline) me dio confianza real de que el simulador no era una "caja negra" sino que reproducía la teoría conocida. El ajuste que se hizo del histograma a una ECDF para visualizar los tiempos de espera me pareció una mejora justificada: con una M/M/c la masa de casos con espera cero aplasta un histograma común.

4. Etapa 4Claude Code

   Desarrollo del portafolio

   Prompt (resumido): construir esta página web de entrega (HTML/CSS/JS plano, sin frameworks), cubriendo el checklist de la cátedra, con diseño tipo panel de SOC.

   Le indiqué a Claude Code el checklist completo de la consigna para asegurarme de no perder puntos por omisión, y un lineamiento de diseño concreto (panel tipo SOC) en vez de dejarlo librado a un template genérico. Como la IA no pudo tomarse una captura del render final, tuve que verificar yo mismo visualmente que los colores de severidad tuvieran buen contraste antes de dar por cerrada la entrega.

05 / EVIDENCIA

Capturas, gráficos y archivos

Gráficos generados por la simulación (src/visualize.py → outputs/).

Evidencia de validación — simulación vs. teoría

Salida real de python src/model.py: el simulador coincide con la fórmula Erlang-C con un error <2 %, lo que da confianza en que el código es correcto.

$ python src/model.py
=== Validacion simulacion vs. Erlang-C (baseline) ===
            metrica  teorico  simulado   error_%
  Utilizacion (rho) 0.700000  0.699030  -0.14
Espera media Wq (h) 0.029387  0.029041  -1.18
 Alertas en cola Lq 0.881623  0.866333  -1.73

Código y datos completos del proyecto: modelo (src/model.py), escenarios (src/scenarios.py), datos de calibración (data/) y documentación formal (docs/modelo.md).

06 / INFORME FINAL

Conclusiones y reflexión crítica