Análisis mediante redes neuronales artificiales de un modelo ciber-epidémico fraccional en sensores inalámbricos bajo el operador proporcional Hadamard–Caputo

Por qué las infecciones digitales pueden perdurar

El software malicioso no siempre se propaga por las redes informáticas en oleadas rápidas y limpias. En las redes de sensores inalámbricos —pequeños dispositivos dispersos en edificios, campos o ciudades para medir el entorno— los ataques pueden arder a fuego lento durante mucho tiempo, reavivándose cuando viejas conexiones o actualizaciones retrasadas vuelven para afectar al sistema. Este artículo presenta una nueva forma de describir ese tipo de brotes cibernéticos con “memoria larga”, ayudando a los ingenieros a entender cuándo el malware desaparecerá rápidamente y cuándo puede persistir obstinadamente.

De personas enfermas a sensores infectados

Los autores toman ideas del modelado clásico de enfermedades, donde las poblaciones se dividen en grupos como susceptibles, infectados y recuperados. Aquí, la “población” es una red de sensores inalámbricos. Los dispositivos se dividen en seis clases: sanos pero vulnerables, expuestos pero aún no contagiosos, activamente infectivos, aislados, recuperados y vacunados (endurecidos mediante actualizaciones o parches). Esta estructura permite al modelo seguir cómo los dispositivos pasan entre estados a medida que se contactan entre sí, son aislados, reparados o protegidos. Al trasladar el pensamiento epidémico humano al ámbito digital, el trabajo conecta décadas de matemáticas de salud pública con la defensa cibernética moderna.

Incorporando memoria en las matemáticas

Los modelos estándar asumen que solo importa el estado actual de la red: lo que ocurra a continuación depende únicamente del presente, no de la historia detallada. Eso suele ser irreal. En la práctica, las conexiones antiguas, el parcheo lento y las vulnerabilidades persistentes hacen que el pasado siga influyendo en el presente. Para capturar esto, los autores usan una versión “fraccional” del cálculo que permite que las tasas de cambio dependan de una historia ponderada de actividad anterior. Una herramienta especializada, el operador proporcional Hadamard–Caputo, permite ajustar esa memoria y expresarla en una escala temporal logarítmica, bien adaptada a procesos que se desaceleran con el tiempo. Dos parámetros clave controlan cuán fuertemente el pasado influye en el futuro, de modo que el comportamiento clásico sin memoria aparece como un caso límite especial.

Garantizando que el modelo se comporte de forma sensata

Cualquier modelo útil debe ser no solo realista, sino también matemáticamente sólido. Los autores demuestran que su sistema tiene al menos una solución que evoluciona suavemente en el tiempo y que esa solución es única bajo condiciones moderadas. Lo hacen reescribiendo las ecuaciones fraccionarias originales como una ecuación integral y luego aplicando potentes teoremas del punto fijo —herramientas que muestran que una ecuación mapea una función sobre sí misma de forma controlada. También establecen una forma de estabilidad conocida como estabilidad de Ulam–Hyers: si las ecuaciones o los datos están ligeramente desviados debido al ruido de medición o al error numérico, las soluciones resultantes permanecen cerca de las verdaderas. Esto significa que las simulaciones y predicciones basadas en el modelo se pueden confiar dentro de márgenes de error claros.

Simulando brotes digitales prolongados

Para hacer el marco práctico, el equipo diseña un método numérico paso a paso, adaptando un esquema predictor-corrector bien conocido para manejar el núcleo de memoria especial de su operador. Trabajando en una variable temporal transformada, derivan pesos sencillos que codifican cuánto influyen los estados pasados. Las simulaciones de propagación de malware en una red de sensores revelan un patrón llamativo: cuando la memoria es fuerte o el orden fraccionario es menor, la infección disminuye más lentamente y la fase de “propagación activa” dura más. A medida que los parámetros del modelo se acercan al caso clásico sin memoria, los picos de infección aparecen y se extinguen mucho más rápido, conduciendo a una estabilización rápida de la red.

Qué significa esto para la protección de redes

En términos sencillos, el estudio muestra que tener en cuenta la memoria digital —contactos pasados, limpieza retrasada y vulnerabilidades que se disipan lentamente— puede cambiar significativamente las expectativas sobre cuánto tiempo el malware circulará en sistemas de sensores inalámbricos. El modelo fraccional ofrece controles que permiten a los planificadores de seguridad ajustar colas largas observadas en datos reales, mientras que los resultados de estabilidad aseguran que esas predicciones sean robustas frente a incertidumbres moderadas. Cuando los efectos de memoria son débiles y se necesitan decisiones rápidas, un modelo clásico más simple puede ser suficiente. Pero cuando las infecciones parecen “permanecer” a pesar de las contramedidas, este marco fraccional y con memoria proporciona una guía más cautelosa y realista para diseñar estrategias de cuarentena, parcheo y vacunación para las redes de sensores que monitorean silenciosamente nuestro mundo.

Cita: Barakat, M.A., Hyder, AA., Aboelenen, T. et al. Artificial neural network analysis of a fractional cyber-epidemic model in wireless sensors under the proportional Hadamard–Caputo operator. Sci Rep 16, 10742 (2026). https://doi.org/10.1038/s41598-026-45202-z

Palabras clave: redes de sensores inalámbricos, propagación de malware, cálculo fraccionario, ciber-epidemiología, modelado de seguridad de redes