Ningún dato en bruto sale de su origen
Los tickets reales fueron cedidos por CSIRT asociados y seudonimizados localmente, sin depender de ningún servicio externo. Las demostraciones en vivo operan sobre tickets sintéticos.
SBSeg 2026
Minicurso 1
3 prácticas guiadas, 70 minutos
Inteligencia Artificial aplicada a la Respuesta a Incidentes
De la norma a la práctica ejecutable: cómo los Modelos de Lenguaje de Gran Escala pueden apoyar a los equipos de respuesta a incidentes sin sacar al analista del proceso.
La tesis del capítulo: la IA no sustituye la respuesta a incidentes. Amplía la capacidad de triaje, análisis, documentación y recomendación cuando está integrada a marcos consolidados, datos confiables, anonimización adecuada y validación humana.
Cómo se encadenan las tres prácticas
El pipeline en tres etapas
- Ticket recibido por el CSIRT
-
EC1
Seudonimización
ANON-LFI, AnonShield
NER + regex + HMAC-SHA256
- Validación humana
-
EC2
Clasificación
AutoClass-LFI, SecLINC
taxonomía + prompting
- Validación humana
-
EC3
Playbook
AutoClass-LFI
Markdown y Ansible
- Respuesta documentada y auditable
Los tres estudios de caso no son ejercicios independientes: forman un único pipeline, en el que la salida de uno alimenta al siguiente. La validación humana aparece entre las etapas, y no solo al final, porque un error de clasificación produce un playbook silenciosamente equivocado.
Por qué importa este tema
Seis números del capítulo
Dos indicadores explican la presión sobre los equipos, dos provienen de los experimentos realizados en el propio capítulo, sobre la base real de tickets, y dos recuerdan dónde están los límites.
516.556
notificaciones de incidentes registradas por el CERT.br en 2024, un
promedio de 1.411 por día.
CERT.br, 2025
4 millones
es el déficit global estimado de profesionales de seguridad. El triaje
crece más rápido que la capacidad de formar analistas.
ISC2, 2023
89,7%
de exactitud sobre 174 tickets reales con un único ejemplo
etiquetado por categoría, frente al 68,4% sin ningún ejemplo.
Casi toda la ganancia proviene de una sola confusión deshecha, entre
explotación de vulnerabilidad e intento de intrusión.
Estudio de caso 2 del capítulo
5.256
sustituciones de entidad sensible en 182 tickets, cerca de 29 por
ticket, para apenas 531 entidades distintas. Cada una reaparece diez
veces en promedio, y es esa repetición la que la seudonimización
determinista convierte en correlación.
Estudio de caso 1 del capítulo
42%
de los resúmenes producidos por modelos que operan
solos contenían imprecisiones factuales, y el 35% omitió
detalles críticos. En uso colaborativo, los mismos modelos reducen el
esfuerzo del analista.
Kramer et al., SOUPS 2025
18,5%
es la tasa de divergencia entre dos analistas humanos
que etiquetan los mismos tickets. Ese es el techo práctico de
cualquier clasificador evaluado contra una etiqueta humana.
Jesus Filho et al., ICMLA 2025
El diferencial
Datos reales, anonimizados, con política explícita
La mayor parte del material didáctico sobre IA en seguridad opera sobre ejemplos sintéticos. Los ejemplos sintéticos son limpios, sin ambigüedad y sin ruido, y por eso esconden exactamente las dificultades que caracterizan la tarea real.
Una base con el desbalance real
Son 182 registros, uno por incidente distinto, acumulados en cerca de 18 meses. Una única categoría concentra el 64,8% de la base y cuatro categorías responden por cerca del 94%, lo que convierte la exactitud global en una métrica engañosa y obliga a medir por categoría.
Notebooks que caben en la cabeza
Cada práctica reimplementa lo esencial del mecanismo en pocas decenas de líneas de Python, sin GPU y sin credenciales de API, de modo que el comportamiento observado en la herramienta de producción se vuelva inspeccionable.
El humano en el bucle se mide, no se presume
El ciclo del GT-LFI incorpora las correcciones hechas por los analistas al conocimiento que usa el sistema. La validación humana es fuente de señal de corrección, y no solo una salvaguarda burocrática.
Público diverso, entradas diferentes
Por dónde empezar, según su perfil
El material es el mismo para todos. Lo que cambia es el orden en que rinde más. Elija el itinerario más cercano a su situación.
Estudiante de grado
Primer contacto con la respuesta a incidentes.
- Entienda el encadenamiento: lea el diagrama del pipeline de arriba, de punta a punta.
- Empiece por la Práctica 1: anonimizar es, ante todo, un problema de detección, y eso se hace visible en minutos.
- Fije el vocabulario: recorra el grupo de estándares y taxonomías del catálogo.
Docente
Quiere aprovechar el material en una asignatura o taller.
- Use los notebooks tal como están: son autocontenidos, se ejecutan sin GPU y sin credenciales.
- Aproveche las preguntas de discusión: cada práctica trae las preguntas que conducen el análisis en clase.
- Adopte los tickets sintéticos: publicados en el repositorio, no requieren acuerdo de uso de datos.
Investigador
Quiere replicar, comparar o extender los resultados.
- Lea las salvedades metodológicas: las cifras de exactitud solo son comparables cuando se sabe sobre qué conjunto y bajo qué taxonomía fueron medidas.
- Mapee las brechas: datos, evaluación, explicabilidad accionable, colaboración entre humanos e IA y verificabilidad de agentes.
- Vaya a las fuentes: la lista de lecturas recomendadas reúne los SoK y los estudios empíricos centrales.
Profesional de CSIRT o SOC
Quiere evaluar qué se puede llevar a la operación.
- Decida primero la política de datos: la seudonimización no es anonimización, y el dato seudonimizado sigue siendo dato personal ante la LGPD, la ley brasileña de protección de datos.
- Mida el costo de la privacidad: cerca del 60% de exactitud con modelos abiertos locales frente a más del 90% con modelos comerciales.
- Monte el entorno por capas: visibilidad, después detección conductual, y solo entonces la capa cognitiva.
Antes de la sesión
Prepare el entorno
Los notebooks fueron escritos con tres restricciones deliberadas: son autocontenidos, se ejecutan sin GPU y sin credenciales de API, y reimplementan en pocas decenas de líneas el mecanismo esencial de cada herramienta.
Lo mínimo necesario
- Python 3.10 o superior, con Jupyter
- La versión 3.10 es el mínimo exigido. El repositorio trae el
requirements.txty las instrucciones de entorno virtual. Un Jupyter local o Google Colab, a su elección. - Sin GPU
- La demostración de referencia de AnonShield se ejecuta en una computadora portátil común con cuatro vCPU y 8 GB de RAM. La aceleración de más de 535 veces sobre la generación anterior es arquitectónica, medida en ejecución solo por CPU.
- Credencial opcional
- Solo la Práctica 2 en su versión en línea llama a una API, y tiene una variante sin conexión equivalente. Las demás se ejecutan con proveedor local o simulado.
- Clone el repositorio
- Los cinco notebooks, los tickets sintéticos, los prompts de referencia y cinco procedimientos operativos estándar están en el repositorio del minicurso.
Siempre hay un camino sin credencial
Cada práctica tiene una ruta que prescinde de red, clave de API y presupuesto, de modo que ningún escenario de conectividad deje a nadie detenido.
- Práctica 1: Python puro. Si la biblioteca Transformers no está disponible, un reconocedor léxico simplificado asume el papel del NER y la lección sobre cobertura sigue siendo observable.
- Práctica 2:
02-classificacao.ipynbllama a Gemini en tiempo real y pide una clave de Google AI Studio.02-classificacao_offline.ipynbtrae incrustados los resultados de una ejecución completa y llega a los mismos números, sin red. - Práctica 3: proveedor seleccionado por una única variable, entre un modelo local vía Ollama, una API compatible con OpenAI y un generador simulado determinista. El simulado se basa en reglas y no es un modelo de lenguaje: existe para que la mecánica del pipeline se ejercite sin infraestructura.
Sobre los datos usados en las prácticas
Por seguridad operativa de los CSIRT cedentes y en conformidad con la LGPD, la base real de tickets no se pone a disposición. Las demostraciones en vivo de anonimización usan tickets sintéticos, publicados en el repositorio. Los resultados agregados sobre la base real se presentan de forma precalculada, siempre acompañados del código que los produjo.