FACTIBILIDAD DE HERRAMIENTAS DE INTELIGENCIA ARTIFICIAL PARA
IDENTIFICAR VULNERABILIDADES EN REDES INALÁMBRICAS

FEASIBILITY OF ARTIFICIAL INTELLIGENCE TOOLS FOR IDENTIFYING
VULNERABILITIES IN WIRELESS NETWORKS

Autores:
¹Walter Javier Maldonado De La Cruz, ²Carlos Alberto Chacón Terán.

¹ORCID ID:
https://orcid.org/0000-0002-4725-0870

²ORCID ID:
https://orcid.org/0009-0003-3939-9725

¹E-mail de contacto:
wmaldonado@euroamericano.edu.ec

²E-mail de contacto:
cchacon@euroamericano.edu.ec

Afiliación:
1*2*
Instituto Superior Tecnológico EuroAmericano, (Ecuador).

Artículo recibido:8 de Septiembre del 2026.

Artículo revisado:15 de Septiembre del 2026.

Artículo aprobado:15 de Septiembre del 2026.

¹Ingeniero en Sistemas Computacionales, graduado de la Universidad de Guayaquil, (Ecuador). Magíster en Gerencia Educativa, graduado
de
la
Universidad
Metropolitana,
(Ecuador).
Vicerrector
Académico,
docente
e
investigador
del
Instituto
Superior
Tecnológico
Universitario EuroAmericano, con más de 20 años de experiencia.

²Ingeniero en Sistemas Computacionales, graduado de la Universidad de Guayaquil, (Ecuador). Máster Universitario en Diseño y Gestión
de Proyectos Tecnológicos, graduado de la Universidad Internacional de La Rioja, (España). Docente investigador del Instituto Superior
Tecnológico Universitario EuroAmericano, con 9 años de experiencia laboral.

Resumen

La creciente dependencia de redes inalámbricas
en instituciones educativas ha incrementado la
exposición
a
vulnerabilidades
que
comprometen la confidencialidad, integridad y
disponibilidad
de
la
información.
La
inteligencia artificial (IA) ofrece oportunidades
para
fortalecer
la
ciberseguridad
mediante
la
detección
temprana de amenazas y el
análisis
automatizado de tráfico. Este estudio evaluó la
factibilidad
técnica
e
institucional
de
implementar herramientas basadas en IA para
identificar
vulnerabilidades
en
la
red
inalámbrica del Instituto Superior Tecnológico
Universitario
EuroAmericano.
Se
aplicó
un
enfoque mixto con diseño no experimental de
corte transversal: se encuestó a 45 docentes y se
entrevistó a 5 informantes clave vinculados con
la
gestión
tecnológica
y
administrativa.
Los
resultados
revelan
una
percepción
altamente
favorable
(≥86%
de
acuerdo)
respecto
al
potencial de la IA para mejorar el monitoreo, el
análisis de tráfico y la detección de anomalías.
Sin
embargo,
se
identificaron
brechas
significativas
en
infraestructura
tecnológica,
capacitación
especializada
y
asignación
presupuestaria
que
limitan
la
adopción
inmediata.
Se
concluye
que,
aunque
existe
disposición
institucional,
se
requiere
una
inversión
estratégica
en
actualización
tecnológica
y
formación
para
materializar
los
beneficios
de
la
IA
en
la
seguridad
de
la
red
inalámbrica.
El
estudio
aporta
un
diagnóstico
preliminar
y
criterios
para
futuras
implementaciones
en
contextos
educativos
similares.

Palabras
clave:
Inteligencia
artificial,
Ciberseguridad,
Redes
inalámbricas,
Vulnerabilidades, Amenazas cibernéticas.

Abstract

The increasing reliance on wireless networks in
educational
institutions
has
heightened
exposure to vulnerabilities that compromise the
confidentiality,
integrity,
and
availability
of
information. Artificial intelligence (AI) offers
opportunities
to
strengthen
cybersecurity
through
early
threat
detection
and
automated
traffic
analysis.
This
study
evaluated
the
technical
and
institutional
feasibility
of
implementing
AI-based
tools
to
identify
vulnerabilities in
the wireless network of the
Instituto
Superior
Tecnológico
Universitario
EuroAmericano.
A
mixed-methods
approach
with a non-experimental cross-sectional design
was
applied:
45
faculty
members
were
surveyed
and
5
key
informants
related
to
technology
and
administrative
management
were
interviewed.
Results
reveal
a
highly
favorable
perception
(≥86%
agreement)
regarding AI's potential to enhance monitoring,
traffic
analysis,
and
anomaly
detection.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 177

However,
significant
gaps
in
technological
infrastructure, specialized training, and budget
allocation were identified that limit immediate
adoption.
It
is
concluded
that,
although
institutional
willingness
exists,
strategic
investment
in
technological
upgrading
and
training is required to realize AI's benefits in
wireless network security. This study provides
a preliminary diagnosis and criteria for future
implementations
in
similar
educational
contexts.

Keywords:
Artificial
intelligence,
Cybersecurity,
Wireless
networks,
Vulnerabilities, Cyber threats.

Sumário

A crescente dependência de redes sem fio em
instituições
educativas
tem
aumentado
a
exposição
a
vulnerabilidades
que
comprometem
a
confidencialidade,
a
integridade e a disponibilidade da informação.
A
inteligência
artificial
(IA)
oferece
oportunidades para fortalecer a cibersegurança
por meio da detecção precoce de ameaças e da
análise
automatizada
de
tráfego.
Este
estudo
avaliou a viabilidade técnica e institucional de
implementar ferramentas baseadas em IA para
identificar vulnerabilidades na rede sem fio do
Instituto
Superior
Tecnológico
Universitario
EuroAmericano.
Aplicou-se
uma
abordagem
mista com desenho não experimental de corte
transversal:
pesquisaram-se
45
docentes
e
entrevistaram-se
5
informantes-chave
vinculados
à
gestão
tecnológica
e
administrativa.
Os
resultados
revelam
uma
percepção
altamente
favorável
(≥86%
de
concordância) quanto ao potencial da IA para
melhorar o monitoramento, a análise de tráfego
e
a
detecção
de
anomalias.
No
entanto,
identificaram-se
lacunas
significativas
em
infraestrutura
tecnológica,
capacitação
especializada
e
alocação
orçamentária
que
limitam
a
adoção
imediata.
Conclui-se
que,
embora
exista
disposição
institucional,
é
necessário
um
investimento
estratégico
em
atualização
tecnológica
e
formação
para
materializar os benefícios da IA na segurança da
rede
sem
fio.
O
estudo
contribui
com
um
diagnóstico preliminar e critérios para futuras
implementações
em
contextos
educativos
semelhantes.

Palavras-chave:
Inteligência
artificial,
Cibersegurança,
Redes
sem
fio,
Vulnerabilidades, Ameaças cibernéticas.

Introducción

La
digitalización
de
la
educación
superior
ha
incrementado
de
manera
significativa
la
dependencia de las instituciones respecto de las
infraestructuras tecnológicas y de conectividad.
Las redes inalámbricas constituyen actualmente
un
recurso
fundamental
para
las
actividades
académicas, administrativas y de investigación,
debido a que permiten el acceso permanente de
estudiantes, docentes y personal institucional a
plataformas
educativas,
sistemas
de
información, repositorios, servicios en la nube
y aplicaciones institucionales. No obstante, esta
expansión
de
la
conectividad
también
incrementa la exposición frente a amenazas que
pueden
comprometer
la
confidencialidad,
integridad y disponibilidad de la información.

A diferencia de las redes cableadas, las redes
inalámbricas transmiten información mediante
un
medio
abierto,
lo
que
amplía
las
posibilidades
de
interceptación,
accesos
no
autorizados,
ataques
de
suplantación
y
explotación de configuraciones deficientes. La
seguridad de una WLAN depende no solamente
del protocolo de cifrado utilizado, sino también
de la configuración de los puntos de acceso, los
mecanismos de autenticación, los dispositivos
conectados,
la
segmentación
de
la
red
y
el
monitoreo
permanente
de
su
funcionamiento.
En
este
sentido,
el
National
Institute
of
Standards
and
Technology
establece
que
la
protección
de
las
redes
inalámbricas
debe
contemplarse
durante
todo
su
ciclo
de
vida,
desde
su
diseño
y
configuración
hasta
su
mantenimiento,
evaluación
y
supervisión
continua
(Souppaya
y
Scarfone,
2012).
La
existencia de una infraestructura inalámbrica no

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 178

garantiza, por sí sola, condiciones adecuadas de
seguridad.
Las
configuraciones
débiles,
las
contraseñas
vulnerables,
la
utilización
de
mecanismos de autenticación insuficientes y la
ausencia
de
procedimientos
periódicos
de
evaluación
pueden
facilitar
el
acceso
no
autorizado.
Arteaga
et
al.
(2024)
al
realizar
pruebas sobre diez redes Wi-Fi, reportaron que
siete de los ataques ejecutados fueron exitosos
en
menos
de
cinco
minutos
y
que
una
parte
importante de las redes examinadas presentaba
configuraciones
de
seguridad
inadecuadas.
Estos
resultados
ponen
de
manifiesto
que
las
debilidades asociadas a la configuración y a las
prácticas
de
seguridad
pueden
aumentar
considerablemente
la
exposición
de
las
redes
inalámbricas frente a posibles amenazas.

Las
vulnerabilidades
más
frecuentes
en
las
redes
institucionales
pueden
relacionarse
con
configuraciones
débiles
de
autenticación,
protocolos de seguridad insuficientes, servicios
innecesariamente
expuestos,
ausencia
de
segmentación y deficiencias en los mecanismos
de
supervisión.
Jinez
y
Rochina
(2024)
analizaron una red universitaria y determinaron
un
nivel
de
seguridad
medio,
identificando
debilidades
relevantes
en
las
contraseñas
utilizadas
para
la
autenticación.
González
(2024), por su parte, sostiene que la evaluación
sistemática de las infraestructuras tecnológicas
facilita la identificación de fallos relacionados
con
el
cifrado,
la
segmentación
y
la
configuración
de
dispositivos,
elementos
indispensables
para
prevenir
incidentes
y
reducir la superficie de ataque.

El contexto ecuatoriano confirma la necesidad
de
fortalecer
estos
mecanismos.
Cajamarca
et
al. (2023) al evaluar la seguridad informática en
instituciones
de
educación
superior
del
Ecuador,
identificaron
deficiencias
relacionadas
con
la
adopción
de
políticas,
controles y marcos referenciales de seguridad,
señalando
que
la
ausencia
de
mecanismos
institucionales
suficientemente
estructurados
puede
incrementar
el
impacto
de
posibles
incidentes.
De
manera
similar,
Derenzin-
Martinez (2024) advierte que las instituciones
de
educación
superior
ecuatorianas
se
encuentran
expuestas
a
diferentes
formas
de
ciberataques y plantea la necesidad de fortalecer
los mecanismos institucionales de prevención,
monitoreo y respuesta.

En este escenario, los métodos tradicionales de
evaluación y vigilancia presentan limitaciones
cuando
deben
analizar
grandes
volúmenes
de
información
generados
continuamente
por
las
redes.
La
revisión
manual
de
registros,
las
evaluaciones periódicas y los sistemas basados
exclusivamente
en reglas predefinidas pueden
resultar
insuficientes
para
identificar
comportamientos
nuevos o variaciones sutiles
en los patrones de tráfico. Por esta razón, los
sistemas
de
detección
de
intrusiones
se
han
convertido en un componente relevante de las
arquitecturas
contemporáneas
de
ciberseguridad. Kumar y Kumar (2023) señalan
que
estos
sistemas
permiten
identificar
diferentes
clases
de
ataques
en
redes
inalámbricas,
aunque
su
funcionamiento
está
condicionado
por
aspectos
como
la
infraestructura
disponible,
los
recursos
computacionales
y
el
tipo
de
mecanismo
de
detección utilizado.

Ante
la
evolución
y
complejidad
de
las
amenazas,
la
inteligencia
artificial
y,
particularmente,
las
técnicas
de
aprendizaje
automático
han
adquirido
una
creciente
relevancia
para
la
identificación
de
comportamientos anómalos. A diferencia de los
mecanismos sustentados únicamente en firmas
previamente
conocidas,
los
modelos
de
aprendizaje
automático
pueden
procesar

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 179

conjuntos
extensos
de
datos
y
establecer
patrones
que
permitan
diferenciar
comportamientos
normales
de
actividades
potencialmente
maliciosas.
Ali
et
al.
(2024)
destacan
que
los
sistemas
de
detección
de
intrusiones basados en
machine learning
y
deep
learning
ofrecen posibilidades importantes para
mejorar
la
identificación
de
ataques,
especialmente
cuando
se
requiere
analizar
grandes
cantidades
de
tráfico
y
reconocer
patrones complejos. No obstante, estos sistemas
todavía enfrentan desafíos relacionados con los
falsos positivos, la calidad de los conjuntos de
datos,
la
detección
de
nuevas
amenazas
y
la
capacidad de generalización de los modelos.

Dentro
de
estas
alternativas
se
encuentran
algoritmos
supervisados
como
árboles
de
decisión,
Random Forest
, máquinas de vectores
de
soporte
y
XGBoost,
así
como
técnicas
de
aprendizaje
profundo
y
modelos
de
detección
de anomalías. Estos algoritmos pueden utilizar
diferentes
características
del
tráfico
para
clasificar comportamientos, identificar accesos
sospechosos y generar alertas ante patrones que
se
desvían
del
funcionamiento
habitual
de
la
infraestructura.
Estudios
recientes
han
mostrado, además, aplicaciones de XGBoost en
modelos
orientados
a
la
detección
de
intrusiones en redes inalámbricas, confirmando
el
interés
actual
por
combinar
análisis
automatizado
y
técnicas
de
aprendizaje
automático
para
fortalecer
las
capacidades
de
supervisión (Wu, 2024).

En esta línea, Toasa et al. (2024) destacan que
las
herramientas
basadas
en
análisis
automatizado
pueden
contribuir
a
mejorar
la
identificación de vulnerabilidades y apoyar los
procesos
de
evaluación
técnica
de
redes.
De
manera complementaria, Sánchez et al. (2026)
presentaron
un
modelo
basado
en
XGBoost
para la detección de intrusiones, evidenciando
la
capacidad
de
este
tipo
de
algoritmos
para
procesar grandes volúmenes de información e
identificar
patrones
potencialmente
anómalos.
Estas
aproximaciones
reflejan
una
transición
desde
mecanismos
predominantemente
reactivos
hacia
esquemas
de
vigilancia
con
mayores capacidades de anticipación
y apoyo
automatizado a la toma de decisiones.

Cari
(2023)
aplicó
analítica
de
datos
para
detectar
anomalías
en
la
red
Wi-Fi
de
un
campus
universitario,
identificando
picos
críticos
de
utilización
y
comportamientos
irregulares.
Los
resultados
permitieron
establecer
umbrales
dinámicos
y
formular
recomendaciones
relacionadas
con
la
gestión
del
ancho
de
banda
y
los
mecanismos
de
autenticación.
Este
tipo
de
enfoque
evidencia
que
el
análisis
automatizado
del
tráfico
no
solamente
puede
apoyar
la
identificación
de
vulnerabilidades,
sino
también
proporcionar
información
útil
para
comprender
el
comportamiento de la infraestructura y anticipar
situaciones
que
podrían
comprometer
su
rendimiento o seguridad.

Sin
embargo,
la
incorporación
de
inteligencia
artificial en ciberseguridad no puede valorarse
exclusivamente a partir del rendimiento de los
algoritmos.
Su
aplicación
implica
también
considerar
la
infraestructura
tecnológica
disponible, la calidad y cantidad de los datos, la
capacidad
de
procesamiento,
la
interoperabilidad con los sistemas existentes, la
formación
del
personal
responsable
y
los
mecanismos
de
supervisión
humana.
Ambali
Parambil et al. (2024), en una revisión centrada
en
ciberseguridad
e
inteligencia
artificial
en
educación
superior,
concluyen
que
estas
tecnologías ofrecen posibilidades para mejorar
la detección de amenazas, la autenticación y la
protección
de
la
información,
pero
su
implementación
requiere
atender

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 180

simultáneamente
aspectos
técnicos,
éticos,
de
privacidad,
transparencia
y
robustez.
Este
planteamiento
resulta
particularmente
importante
porque
la
incorporación
de
tecnologías inteligentes no elimina la necesidad
de los controles tradicionales de seguridad. Por
el contrario, la evidencia reciente apunta hacia
modelos
complementarios
en
los
que
la
inteligencia artificial amplía las capacidades de
identificación
y
análisis,
mientras
que
los
mecanismos
convencionales
continúan
desempeñando
funciones
esenciales
en
autenticación,
control
de
acceso,
cifrado,
segmentación,
protección
de
dispositivos
y
gestión de incidentes. Por tanto, la utilidad de
una herramienta basada en inteligencia artificial
depende
en
gran
medida
de
su
integración
dentro
de
una
estrategia
institucional
de
ciberseguridad
y
no
de
su
implementación
como una solución aislada.

En
las
instituciones
de
educación
superior,
la
dimensión
organizacional
adquiere
especial
relevancia
debido
a
que
la
ciberseguridad
implica
coordinación
entre
infraestructura
tecnológica,
normativas,
recursos
humanos
y
procedimientos
internos.
Mahmood
et
al.
(2024)
identificaron
entre
las
estrategias
relevantes
para
fortalecer
la
ciberseguridad
universitaria
la
actualización
de
políticas
y
procedimientos,
la
incorporación
de
nuevas
soluciones
tecnológicas,
la
capacitación
del
personal,
el
establecimiento
de
alianzas
y
el
monitoreo
continuo
de
las
medidas
de
seguridad. Estos elementos demuestran que la
capacidad
de
respuesta
frente
a
amenazas
depende tanto de la tecnología disponible como
del
aprendizaje
y
de
la
capacidad
organizacional
para
utilizarla
de
manera
adecuada.
En
consecuencia,
la
factibilidad
de
incorporar
soluciones
basadas
en
inteligencia
artificial debe abordarse desde una perspectiva
multidimensional.
Una
solución
puede
demostrar
elevada
precisión
en
un
entorno
experimental
y,
aun
así,
resultar
poco
viable
para una institución si requiere infraestructura
de alto costo, capacidades técnicas inexistentes,
grandes volúmenes de datos de entrenamiento o
procesos
de
mantenimiento
que
exceden
los
recursos
disponibles.
Las
barreras
para
la
adopción
de sistemas de inteligencia artificial
aplicados
a
ciberseguridad
pueden
incluir
la
complejidad
tecnológica,
la
insuficiencia
de
personal
especializado,
las
limitaciones
presupuestarias, el respaldo institucional y las
exigencias
regulatorias,
aspectos
que
deben
considerarse
al
evaluar
una
posible
implementación (Ali & Shah, 2024).

Estas
consideraciones
adquieren
mayor
relevancia en instituciones educativas de países
en desarrollo, donde la innovación tecnológica
puede
coexistir
con
limitaciones
en
infraestructura,
presupuesto,
actualización
de
equipos
y
disponibilidad
de
especialistas.
La
evidencia producida en Ecuador ha identificado
precisamente
dificultades
relacionadas
con
la
disponibilidad
de
profesionales
especializados
y
con
la
consolidación
de
capacidades
institucionales
en
ciberseguridad.
Por
ello,
estudiar una herramienta únicamente desde su
desempeño
técnico
puede
generar
una
visión
incompleta; también es necesario valorar si la
institución
posee
condiciones
económicas,
tecnológicas, humanas y organizacionales para
adoptarla de manera sostenible.

El
concepto
de
factibilidad
utilizado
en
este
estudio comprende, por tanto, dos dimensiones
interrelacionadas.
La
factibilidad
técnica
se
refiere
a
la
disponibilidad
de
infraestructura,
compatibilidad
tecnológica,
capacidad
de
procesamiento,
calidad
de
los
datos,
herramientas existentes y requerimientos para la
implementación y mantenimiento de soluciones
basadas en inteligencia artificial. Por su parte,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 181

la
factibilidad
institucional
comprende
elementos
relacionados
con
recursos
económicos,
competencias
del
personal,
políticas
de
seguridad,
disposición
hacia
la
innovación,
capacidad
de
gestión
y
posibilidades de incorporar nuevas tecnologías
dentro
de
los
procedimientos
existentes.
Esta
distinción
permite
analizar
la
adopción
tecnológica desde una perspectiva más cercana
a las condiciones reales de funcionamiento de
una institución de educación superior.

En
el
Instituto
Superior
Tecnológico
Universitario
EuroAmericano,
el
crecimiento
de
la
utilización
de
la
red
inalámbrica
ha
incrementado
la
importancia
de
disponer
de
mecanismos
adecuados
para
supervisar
su
seguridad. El aumento de dispositivos, usuarios
y
servicios
conectados
genera
mayores
volúmenes
de
tráfico
y,
simultáneamente,
amplía los puntos que requieren supervisión. La
ausencia de un modelo consolidado que integre
análisis automatizado del tráfico y mecanismos
inteligentes de generación de alertas sugiere que
la
identificación
de
vulnerabilidades
depende
principalmente de procedimientos tradicionales
y revisiones periódicas, lo que puede limitar la
capacidad
institucional
para
reconocer
oportunamente
comportamientos
anómalos
frente a amenazas dinámicas.

En este contexto se identifica un vacío práctico
y de investigación relacionado con la diferencia
entre la disponibilidad teórica de herramientas
basadas
en
inteligencia
artificial
y
las
condiciones
reales
para
implementarlas
en
instituciones
tecnológicas
de
educación
superior. Una parte importante de la literatura se
concentra
en
comparar
algoritmos
mediante
indicadores
como
precisión,
sensibilidad,
especificidad, tasa de falsos positivos o tiempo
de procesamiento. Aunque estos parámetros son
indispensables
para
conocer
el
desempeño
técnico
de
los
modelos,
resultan
insuficientes
para
determinar
si
una
institución
específica
dispone
de
las
condiciones
necesarias
para
incorporarlos
de
manera
eficiente,
segura
y
sostenible. Por ello, la presente investigación no
se
limita
a
determinar
si
existen
técnicas
de
inteligencia
artificial
capaces
de
identificar
vulnerabilidades
o
anomalías
en
redes
inalámbricas,
sino
que
analiza
la
correspondencia entre dichas alternativas y las
condiciones
institucionales
del
Instituto
Superior
Tecnológico
Universitario
EuroAmericano.
Esta
orientación
permite
vincular
la
investigación
tecnológica
con
la
toma
de
decisiones
institucional,
evitando
plantear la adopción de herramientas avanzadas
únicamente desde sus capacidades algorítmicas
y
considerando
también
sus
requerimientos
operativos, humanos y económicos.

Ante
este
escenario,
la
pregunta
de
investigación
que
guía
el
presente
estudio
es:
¿cuál es la factibilidad técnica e institucional de
implementar herramientas digitales basadas en
inteligencia
artificial
para
la
identificación
de
vulnerabilidades
en
la
red
inalámbrica
del
Instituto
Superior
Tecnológico
Universitario
EuroAmericano?
Para
dar
respuesta
a
esta
interrogante
se
plantearon
como
objetivos
describir las herramientas digitales basadas en
inteligencia artificial utilizadas para el análisis
de seguridad en redes inalámbricas; identificar
las principales vulnerabilidades presentes en las
redes inalámbricas institucionales; y determinar
el
grado
de
factibilidad
y
disposición
institucional para su adopción. De esta manera,
la
investigación
busca
generar
evidencia
que
contribuya a orientar la toma de decisiones en
materia
de
inversión
tecnológica,
fortalecimiento
de
la
infraestructura,
capacitación
del
talento
humano
y
desarrollo
progresivo
de
capacidades
institucionales
de
ciberseguridad.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 182

Materiales y Métodos

El estudio se desarrolló bajo un enfoque mixto
de
investigación,
que
combinó
estrategias
cuantitativas y cualitativas con el propósito de
obtener
una
visión
integral
del
fenómeno
analizado. El alcance fue descriptivo, orientado
a
caracterizar
el
estado
actual
de
la
red
inalámbrica
institucional
y
las
percepciones
sobre
la
inteligencia
artificial,
sin
establecer
relaciones
causales
entre
variables.
El
diseño
fue no experimental de corte transversal, ya que
los datos se recolectaron en un único momento
sin manipular las variables de estudio.

La población
objetivo
estuvo conformada por
45 docentes del Instituto Superior Tecnológico
Universitario EuroAmericano, quienes utilizan
de manera habitual la red inalámbrica para el
desarrollo
de
sus
actividades
académicas.
Se
aplicó
un
muestreo
censal
que
incluyó
a
la
totalidad de este grupo, eliminando el error de
selección.
Del
total
de
participantes,
el
58%
fueron hombres y el 42% mujeres, con edades
entre 25 y 55 años (media = 38,2; DE = 7,5). Se
seleccionaron,
además,
5
informantes
clave
mediante muestreo intencional, con base en su
rol estratégico dentro de la gestión tecnológica,
administrativa y de redes de la institución.

Para la recolección de información cuantitativa
se
diseñó
un
cuestionario
estructurado
de
10
ítems
en
escala
Likert
de
cinco
puntos
(1
=
totalmente
en
desacuerdo;
5
=
totalmente
de
acuerdo).
Los
ítems
evaluaron
cuatro
dimensiones: percepción sobre la utilidad de la
IA
en
seguridad
de
redes,
identificación
de
vulnerabilidades,
monitoreo
y
análisis
de
tráfico,
e
infraestructura
y
disposición
institucional. Para el componente cualitativo se
elaboró una guía de entrevista semiestructurada
con
categorías
predefinidas:
herramientas
actuales de monitoreo, ventajas percibidas de la
IA,
recursos
necesarios
para
su
implementación, vulnerabilidades frecuentes en
la red y estrategias de mejora. Las encuestas se
administraron
en
formato
digital
mediante
un
formulario en línea, garantizando el anonimato
de las respuestas. Las entrevistas se realizaron
de
manera
presencial,
con
una
duración
promedio
de
30
minutos
cada
una,
y
fueron
registradas en audio con el consentimiento de
los participantes para su posterior transcripción
y
análisis.
Las
entrevistas
se
programaron
en
horarios acordados con los informantes clave y
se
llevaron
a
cabo
en
las
instalaciones
institucionales.

El análisis de los datos cuantitativos se realizó
mediante
estadística
descriptiva,
calculando
frecuencias absolutas y relativas para cada ítem
del
cuestionario.
Los
datos
cualitativos
se
analizaron
mediante
análisis
temático,
siguiendo un proceso de codificación abierta y
axial
para
identificar
patrones
y
categorías
emergentes
a
partir
del
discurso
de
los
entrevistados.
Se
aplicó
triangulación
metodológica para contrastar ambas fuentes de
información
y
fortalecer
la
validez
de
los
hallazgos.
La
investigación
cumplió
con
los
estándares éticos establecidos para estudios con
seres
humanos.
Se
obtuvo
el
consentimiento
informado
de
todos
los
participantes,
quienes
fueron
debidamente
informados
sobre
los
propósitos del estudio, la naturaleza voluntaria
de su participación y su derecho a retirarse en
cualquier
momento
sin
consecuencias.
Se
garantizó la confidencialidad de las respuestas y
el anonimato en el tratamiento de los datos. En
ningún
momento
los
participantes
estuvieron
expuestos
a
riesgos
físicos
o
psicológicos
durante el desarrollo de la investigación.

Resultados y Discusión

A
continuación,
se
presentan
los
hallazgos
obtenidos a partir de las encuestas aplicadas a
los 45 docentes. El cuestionario, compuesto por

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 183

10 ítems en escala Likert, permitió evaluar la
percepción
docente
sobre
la
inteligencia
artificial, la identificación de vulnerabilidades,
el
monitoreo
de
la
red
y
la
disposición
institucional.

Tabla 1.
Distribución de respuestas al cuestionario sobre percepción docente (N=45).

Ítem

TD

D

N

DA

TA

1. Mejora del análisis de seguridad mediante
herramientas tecnológicas

0%

2,2%

6,7%

44,4%

46,7%

2. Monitoreo automatizado de la red inalámbrica

0%

2,2%

8,9%

48,9%

40,0%

3. Análisis eficiente de grandes volúmenes de tráfico de
red

0%

2,2%

11,1%

46,7%

40,0%

4. Detección de anomalías en el comportamiento de la
red

0%

2,2%

8,9%

51,1%

37,8%

5. Infraestructura institucional para implementar IA

2,2%

8,9%

17,8%

42,2%

28,9%

6. Vulnerabilidades por configuraciones débiles o
accesos no autorizados

0%

2,2%

11,1%

48,9%

37,8%

7. Prevención de incidentes mediante identificación
temprana

0%

0%

4,4%

40,0%

55,6%

8. Monitoreo constante para detectar fallas de seguridad

0%

2,2%

6,7%

46,7%

44,4%

9. Protección de la información mediante detección
oportuna

0%

0%

4,4%

37,8%

57,8%

10. Disposición institucional para invertir en
herramientas de IA

2,2%

6,7%

13,3%

44,4%

33,4%

Fuente: Elaboración propia.

Los
resultados
evidencian
una
percepción
altamente favorable hacia la incorporación
de
inteligencia artificial en la seguridad de redes.
Los ítems 7 y 9 alcanzaron el mayor nivel de
acuerdo,
con
un
95,6%
de
los
docentes
manifestando estar de acuerdo o totalmente de
acuerdo
en
ambos
casos:
la
identificación
temprana de vulnerabilidades y su contribución
a la protección de la información institucional
se
valoran
como
aspectos
críticos
para
la
prevención de incidentes. Los ítems 1, 2, 4 y 8
superaron,
de
manera
similar,
el
88%
de
acuerdo,
lo
que
indica
que
los
docentes
reconocen
el
potencial
de
las
herramientas
automatizadas
para
mejorar
el
monitoreo,
el
análisis de tráfico y la detección de anomalías.
El
ítem
6,
referido
a
la
existencia
de
vulnerabilidades por configuraciones débiles o
accesos
no
autorizados,
alcanzó
un
86,7%
de
acuerdo,
hallazgo
particularmente
relevante
porque evidencia que la comunidad académica
es
consciente
de
los
riesgos
asociados
a
la
infraestructura inalámbrica, un punto de partida
favorable
para
implementar
medidas
correctivas.
En
contraste,
los
ítems
5
y
10
presentaron los niveles de acuerdo más bajos,
con 71,1% y 77,8% respectivamente. El ítem 5,
relacionado con la infraestructura institucional
para incorporar herramientas de IA, mostró un
11,1% de desacuerdo y un 17,8% de indecisos,
lo
que sugiere que una
parte significativa del
profesorado no percibe que la institución cuente
con las condiciones técnicas óptimas para una
adopción
inmediata,
posiblemente
por
obsolescencia
parcial
de
equipos,
falta
de
actualización
de
software
especializado
y
ausencia de políticas claras de inversión.

El
ítem
10,
sobre
la
disposición
institucional
para
invertir
en
IA,
acumuló
un
8,9%
de
desacuerdo y un 13,3% de indecisos; aunque la
mayoría
respalda
la
inversión,
un
grupo
no
menor
de
docentes
cautelosos
refleja
la
necesidad
de
fortalecer
la
comunicación
institucional sobre los planes de modernización.
El
análisis
conjunto
revela
una
tensión
productiva
entre
dos
fuerzas.
Por
un
lado,
emerge una percepción ampliamente favorable
hacia la IA, respaldada por el reconocimiento de
su
utilidad
para
el
monitoreo,
el
análisis
de
tráfico
y
la
detección
de
anomalías,

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 184

acompañada de conciencia generalizada sobre
las
vulnerabilidades
existentes.
Por
otro,
este
entusiasmo conceptual encuentra un contrapeso
en las dudas sobre las condiciones reales para la
implementación,
reflejando
una
evaluación
realista
de
las
limitaciones
técnicas
y
presupuestarias. La institución se encuentra así
en
un
punto
de
inflexión:
la
aceptación
generalizada de la IA coexiste con la percepción
de
brechas
estructurales,
lo
que
desafía
a
las
autoridades a traducir el respaldo conceptual en
acciones
tangibles.
Las
entrevistas
a
los
5
informantes
clave
(E1-E5)
permitieron
profundizar
en
aspectos
técnicos
y
organizacionales
que
complementan
la
información
cuantitativa,
organizados
en
las
categorías temáticas de la Tabla 2.

Tabla 2.
Síntesis de la categorización cualitativa.

Categoría

Cita representativa

Interpretación

Herramientas actuales

"Utilizamos los logs de los controladores, pero todo
requiere revisión manual" (E1)

Dependencia de procesos manuales, limitada para
entornos complejos

Ventajas percibidas de la
IA

"Lo más valioso sería anticiparnos, encontrar algo raro
antes de que se convierta en un incidente grave" (E1)

Consenso en el valor preventivo y la necesidad de
automatización

Eficiencia operativa

"Muchas veces las alertas son falsas y perdemos tiempo;
con IA eso podría mejorar" (E5)

La IA optimiza la precisión y agiliza la reacción ante
incidentes

Recursos necesarios

"No se puede pensar en IA si los equipos no están
actualizados" (E2)

Modernización tecnológica y formación especializada
son requisitos indispensables

Asignación presupuestaria

"Sin un presupuesto asignado, cualquier iniciativa queda en
el aire" (E1)

La disponibilidad de recursos financieros condiciona la
viabilidad

Vulnerabilidades
frecuentes

"Seguimos viendo contraseñas como '123456' o nombres
de usuarios" (E3)

Persisten debilidades de credenciales inseguras y
configuraciones incorrectas

Obsolescencia y monitoreo

"Hay equipos viejos que ya no reciben actualizaciones"; "el
monitoreo no es 24/7" (E4, E2)

La obsolescencia y la ausencia de supervisión continua
incrementan los riesgos

Estrategias de mejora

"Si el sistema nos avisa automáticamente cuando algo está
fuera de lo normal, podemos actuar rápido" (E3)

Consenso sobre la necesidad de supervisión
permanente y alertas automatizadas

Fuente: Elaboración propia.

Los
informantes
coinciden
en
que
las
herramientas actuales dependen de la revisión
manual de registros, un método que se vuelve
impracticable
cuando
el
volumen
de
tráfico
aumenta. Todos valoran el potencial preventivo
de
la
IA
para
anticipar
incidentes
y
reducir
falsas
alertas,
pero
condicionan
su
implementación a la modernización de equipos,
la capacitación especializada y la asignación de
un
presupuesto
específico.
En
cuanto
a
vulnerabilidades,
señalan
de
forma
recurrente
contraseñas
débiles,
configuraciones
incorrectas
y
equipos
sin
actualizaciones,
agravados
por
la
ausencia
de
monitoreo
continuo las 24 horas. La Tabla 3 sintetiza la
relación
entre
los
hallazgos
cuantitativos
y
cualitativos
en
las
principales
dimensiones
analizadas.

Tabla 3.
Triangulación de hallazgos.

Dimensión

Docentes (encuesta)

Informantes (entrevistas)

Relación

Potencial de la IA

≥88% de acuerdo en monitoreo, análisis
de tráfico y detección de anomalías

Detección temprana de amenazas y
optimización de tiempos de respuesta

Convergencia

Vulnerabilidades
existentes

86,7% reconoce configuraciones débiles
y accesos no autorizados

Contraseñas frágiles, equipos
desactualizados, monitoreo no continuo

Convergencia

Condiciones para
implementar

71,1% de acuerdo en infraestructura;
mayor neutralidad y desacuerdo del
estudio

Obsolescencia de equipos, falta de
capacitación, insuficiencia presupuestaria

Discrepancia

Disposición
institucional

77,8% de acuerdo en invertir en IA

Necesidad reconocida, pero condicionada a
presupuesto asignado

Matización

Estrategias de mejora

No indagado directamente en la
encuesta

Monitoreo continuo, alertas automáticas,
segmentación de red

Aporte exclusivo cualitativo

Fuente: Elaboración propia.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 185

Existe
una
convergencia
clara
entre
la
percepción
docente
y
la
visión
de
los
informantes clave respecto al potencial de la IA
para
fortalecer
la
seguridad
de
la
red:
las
encuestas
reflejan
una
aceptación
mayoritaria
hacia su capacidad de mejorar el monitoreo, y
las
entrevistas
profundizan
en
ventajas
específicas
como
la
detección
temprana
de
amenazas.
Ambos
componentes
coinciden,
además,
en
señalar
la
existencia
de
vulnerabilidades significativas, lo que refuerza
la idea de que las debilidades identificadas no
son producto de percepciones subjetivas, sino
de
una
realidad
institucional
compartida
por
distintos actores.

La
triangulación
evidencia,
sin
embargo,
una
discrepancia entre la aceptación conceptual de
la
IA
y
la
percepción
sobre
las
condiciones
reales
para
su
implementación:
mientras
las
encuestas muestran un apoyo mayoritario, los
informantes
clave
identifican
barreras
estructurales concretas. Esta tensión revela que
el
entusiasmo
hacia
la
IA
no
se
acompaña
necesariamente
de
una
evaluación
realista
de
los recursos disponibles, lo que podría generar
expectativas desajustadas respecto a los plazos
de
adopción.
Finalmente,
ambas
fuentes
convergen
en
un
consenso
tácito
sobre
la
necesidad
de
avanzar
hacia
un
modelo
de
seguridad
más
automatizado
y
preventivo,
lo
que
sugiere
un
terreno
común
sobre
el
cual
construir una hoja de ruta realista.

La
percepción
favorable
hacia
la
inteligencia
artificial
como
herramienta
de
seguridad
coincide con lo señalado por Borrero y Ponce
(2023),
quienes
destacan
que
los
sistemas
de
detección basados en comportamiento superan
a
los
enfoques
tradicionales
en
entornos
dinámicos.
Esta
coincidencia
sugiere
que
la
comunidad
académica
ha
internalizado,
al
menos de forma intuitiva, las ventajas de la IA
para el monitoreo y la detección de amenazas.
La conciencia sobre vulnerabilidades en la red
inalámbrica,
manifestada
por
docentes
e
informantes
clave,
encuentra
respaldo
en
el
trabajo
de
Sánchez
et
al.
(2026),
quienes
desarrollaron
un
modelo
basado
en
XGBoost
que demuestra que el análisis de características
de
la
red
y
prácticas
de
usuario
permite
identificar
intrusiones
con
alta
precisión.
La
coincidencia
entre
esta
evidencia
técnica
y
la
percepción
institucional
refuerza
la
necesidad
de implementar soluciones basadas en datos.

Las limitaciones operativas de las herramientas
actuales
de
monitoreo,
reportadas
por
los
entrevistados, se
alinean con los
hallazgos de
Gutiérrez
y
Granda
(2025),
quienes
evidenciaron
que
la
detección
temprana
en
redes empresariales mejora cuando se emplean
modelos
capaces
de
reconocer
patrones
complejos de comportamiento. La brecha entre
las
capacidades
actuales
y
las
necesidades
operativas
constituye
un
punto
crítico
para
la
modernización
de
la
infraestructura
de
seguridad.

En el contexto de redes 5G y entornos de alta
densidad, Bravo y Zambrano (2024) subrayan
que
la
identificación
de
vectores
de
amenaza
exige
mecanismos
adaptativos,
planteamiento
consistente con las barreras identificadas en el
Instituto, donde la obsolescencia de equipos y la
falta
de
monitoreo
continuo
limitan
la
capacidad
de
anticipación.
La
convergencia
entre
ambos
diagnósticos
sugiere
que
la
institución
enfrenta
desafíos
comunes
a
otras
organizaciones
educativas.
La
aplicación
de
analítica
de
datos
para
la
detección
de
anomalías,
propuesta
por
Cari
(2023)
en
el
contexto
de
una
universidad,
permitió
establecer
umbrales
de
alerta
dinámicos
y
recomendaciones para la gestión del ancho de
banda. Este enfoque práctico coincide con las

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 186

estrategias
de
mejora
sugeridas
por
los
informantes clave, como el monitoreo continuo
y
las
alertas
automáticas,
aunque
su
replicabilidad en el Instituto depende de superar
las
brechas
de
infraestructura
y
capacitación
identificadas. Chinchay et al. (2022) enfatizan,
por último, que el control de acceso mediante
protocolos
de
autenticación
robustos
es
fundamental para mitigar riesgos, principio que
se
alinea
con
la
percepción
docente
sobre
la
necesidad
de
fortalecer
los
mecanismos
de
autenticación
y
segmentación.
La
Tabla
4
sintetiza la relación entre los hallazgos propios
y
los
antecedentes
citados
a
lo
largo
de
esta
discusión.

Tabla 4.
Vinculación de los hallazgos con la literatura.

Hallazgo propio

Literatura

Relación

Los sistemas basados en comportamiento superan los enfoques
tradicionales

Borrero y Ponce (2023)

Converge

Modelos supervisados detectan intrusiones con alta precisión

Sánchez et al. (2026)

Converge

La detección temprana mejora con reconocimiento de patrones complejos

Gutiérrez y Granda (2025)

Converge

Entornos de alta densidad exigen mecanismos adaptativos

Bravo y Zambrano (2024)

Converge

La analítica de datos habilita umbrales de alerta dinámicos

Cari (2023)

Converge

La autenticación robusta es clave para mitigar riesgos

Chinchay et al. (2022)

Converge

Fuente: Elaboración propia.

La
consistencia
entre
la
literatura
y
los
hallazgos
empíricos
valida
el
diagnóstico
institucional,
aunque
conviene
señalar
que
el
estudio no incorporó deliberadamente posturas
críticas
sobre
los
límites
de
la
IA
en
ciberseguridad institucional, lo que constituye
una
limitación
interpretativa
a
considerar
en
futuras
investigaciones.
El
Instituto
se
encuentra, en definitiva, en una transición hacia
un
modelo
de
seguridad
más
automatizado
y
preventivo:
las
percepciones
favorables
y
las
propuestas
de
mejora
coinciden
con
las
tendencias documentadas, aunque las barreras
estructurales
exigen
un
abordaje
gradual
y
planificado que combine inversión tecnológica,
formación
continua
y
una
cultura
organizacional orientada a la prevención.

Conclusiones

El
presente
estudio
evaluó
la
factibilidad
técnica
e
institucional
de
implementar
herramientas
basadas
en
inteligencia
artificial
para la identificación de vulnerabilidades en la
red
inalámbrica
del
Instituto
Superior
Tecnológico
Universitario
EuroAmericano.
A
partir del análisis integrado de las percepciones
docentes y la visión de los informantes clave,
existe una base favorable para la adopción de
estas
tecnologías,
aunque
su
materialización
efectiva
depende
de
superar
barreras
estructurales
significativas
en
infraestructura,
capacitación y presupuesto.

Los
modelos
de
aprendizaje
automático
supervisado, como XGBoost, y las técnicas de
analítica de datos para detección de anomalías
son
las
aproximaciones
más
prometedoras
y
documentadas
en
la
literatura
reciente;
la
comunidad institucional reconoce su valor para
el
procesamiento
automatizado
de
grandes
volúmenes de tráfico y la generación de alertas
tempranas,
capacidades
que
superan
ampliamente
los
métodos
de
monitoreo
tradicionales
basados
en
revisión
manual
de
registros. El estudio constató la persistencia de
debilidades
críticas
coincidentes
con
la
literatura
para
contextos
educativos:
contraseñas
débiles,
configuraciones
incorrectas en puntos de acceso, obsolescencia
de equipos sin actualizaciones de seguridad, y
ausencia
de
segmentación
adecuada
y
de
monitoreo continuo, factores que incrementan
la
superficie
de
ataque.
La
conciencia

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 187

generalizada
sobre
estos
riesgos,
manifestada
por docentes e informantes, constituye un activo
institucional que facilita la sensibilización y el
respaldo a futuras intervenciones.

En
cuanto
a
la
factibilidad
y
disposición
institucional,
se
evidencia
una
tensión
productiva
entre
dos
fuerzas:
una
disposición
altamente favorable, con porcentajes de acuerdo
que
superan
el
86%
en
la
mayoría
de
las
dimensiones evaluadas, y brechas concretas en
infraestructura,
capacitación
especializada
y
asignación
presupuestaria
que
limitan
la
factibilidad inmediata. Esta discrepancia entre
la
aceptación
conceptual
y
las
condiciones
reales implica que la implementación requiere
una
planificación
progresiva
y
un
acompañamiento
institucional
sostenido,
y
no
una adopción inmediata.

Se
recomienda
a
las
autoridades
diseñar
una
hoja
de
ruta
por
fases:
una
primera
etapa
centrada en la actualización de la infraestructura
de
red
y
la
capacitación
básica
del
personal
técnico; una segunda etapa de implementación
piloto
de
herramientas
de
IA
en
entornos
controlados, escalando progresivamente según
los resultados; y el establecimiento de políticas
claras
de
ciberseguridad
que
integren
la
segmentación de la red y el fortalecimiento de
los
protocolos
de
autenticación.
Quedan
abiertas
líneas
de
investigación
futura
orientadas
a
la
evaluación
comparativa
de
herramientas específicas de IA aplicadas a redes
educativas,
estudios
longitudinales
que
midan
el
impacto
real
de
estas
tecnologías
en
la
reducción
de
incidentes,
y
la
réplica
de
este
diseño metodológico en otras instituciones de
educación superior de la región, con el fin de
construir
un
cuerpo
de
conocimiento
más
robusto
sobre
la
factibilidad
de
la
IA
en
contextos
con
restricciones
presupuestarias
y
tecnológicas similares.

Referencias Bibliográficas

Ali,
A.,
Charfeddine,
M.,
Ammar,
B.,
Ben
Hamed,
B.,
Albalwy,
F.,
Alqarafi,
A.,
&
Hussain,
A.
(2024).
Unveiling
machine
learning
strategies
and
considerations
in
intrusion
detection
systems:
A
comprehensive
survey.
Frontiers
in
Computer
Science,
6
,
1387354.
https://doi.org/10.3389/fcomp.2024.1387354

Ali,
A.,
&
Shah,
M.
(2024).
What
hinders
adoption
of
artificial
intelligence
for
cybersecurity
in
the
banking
sector.
Information,
15
(12),
760.
https://doi.org/10.3390/info15120760

Ambali,
M.,
Rustamov,
J.,
Ahmed,
S.,
Rustamov,
Z.,
Awad,
A.,
Zaki,
N.,
&
Alnajjar, F. (2024). Integrating AI-based and
conventional
cybersecurity
measures
into
online higher education settings: Challenges,
opportunities, and prospects.
Computers and
Education: Artificial Intelligence, 7
, 100327.
https://doi.org/10.1016/j.caeai.2024.100327

Arteaga, H., Obregón, J., & Núñez, F. (2024).
Análisis
de
la
seguridad
de
redes
inalámbricas
y
las
posibilidades
de
explotación
mediante
herramientas
de
seguridad
informática.
Revista
Científica
Multidisciplinar
G-Nerando,
5
(2),
513.
https://doi.org/10.60100/rcmg.v5i2.284

Borrero, J., & Ponce, J. (2023). Impacto en la
seguridad de las redes inalámbricas.
Journal
TechInnovation,
2
(1),
62–71.
https://doi.org/10.47230/Journal.TechInnova
tion.v2.n1.2023.62-71

Bravo, Y., & Zambrano, D. (2024). Seguridad y
privacidad
en
las
redes
5G:
Una
revisión
sistemática de la literatura.
Revista Científica
Multidisciplinar G-Nerando, 5
(2), 116–144.
https://doi.org/10.60100/rcmg.v5i2.259

Cajamarca,
G,
Ron,
M.,
Chamorro,
P.,
&
Genovez, C. (2023). Evaluación del nivel de
seguridad
informática
desplegado
en
las
instituciones de educación superior de la red
RIT
II.
Conectividad,
4
(1),
38–49.
https://doi.org/10.37431/conectividad.v4i1.4
9

Cari,
A.
(2025).
Aplicación
de
analítica
de
datos
para
la
detección
de
anomalías
y
fortalecimiento
de
la
seguridad
en
la
red

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 188
Licencia de Creative Commons

WiFi
del
campus
universitario
de
la
Universidad
Nacional
del
Altiplano
[Preprint].
arXiv.
https://doi.org/10.48550/arXiv.2601.00798

Chinchay, K., Peña, V., Carrión,
G., Fuentes,
D.,
Delgado,
A.,
&
Yeckle,
R.
(2022).
Control de acceso a redes inalámbricas por
medio
de
protocolos
de
autenticación
de
usuarios.
Colloquium
.
https://colloquiumbiblioteca.com/index.php/
web/article/view/140

Derenzin,
F.
(2024).
¿Están
los
institutos
universitarios en Ecuador preparados para los
ciberataques?
593
Digital
Publisher
CEIT,
9
(6),
1220–1232.
https://doi.org/10.33386/593dp.2024.6.2864

González,
R.
(2024).
Análisis
de
seguridad
mediante técnicas de ciberseguridad en redes
inalámbricas
802.11
[Tesis,
Universidad
Estatal
Península
de
Santa
Elena].
Repositorio
Institucional
UPSE.
https://repositorio.upse.edu.ec/handle/46000/
11843

Gutiérrez, A., & Granda, A. (2025).
Desarrollo
de
detección
de
amenazas
cibernéticas
en
redes
empresariales
usando
algoritmos
supervisados
[Tesis, Universidad Politécnica
Salesiana].
Repositorio
Institucional
de
la
Universidad
Politécnica
Salesiana.
http://dspace.ups.edu.ec/handle/123456789/
31552

Jinez,
J.,
&
Rochina,
M.
(2024).
Análisis
y
evaluación
de
la
red
inalámbrica
de
la
Facultad
de
Ingeniería
de
la
Universidad
Nacional de Chimborazo
[Tesis, Universidad
Nacional
de
Chimborazo].
Repositorio
Digital
UNACH.
http://dspace.unach.edu.ec/handle/51000/12
979

Kumar, Y., & Kumar, V. (2023). A systematic
review
on
intrusion
detection
system
in
wireless
networks:
Variants,
attacks,
and
applications.
Wireless
Personal
Communications,
133
,
395–452.
https://doi.org/10.1007/s11277-023-10773-x

Mahmood,
S.,
Chadhar,
M.,
&
Firmin,
S.
(2024). Countermeasure strategies to address
cybersecurity challenges amidst major crises
in the higher education and research sector:
An
organisational
learning
perspective.
Information,
15
(2),
106.
https://doi.org/10.3390/info15020106

Sánchez,
K.,
Barrientos,
E.,
&
Cordero,
M.
(2026). Modelo de inteligencia artificial para
la
detección
de
intrusiones
según
características
de
la
red
y
prácticas
de
los
usuarios.
Revista
Logos
Ciencia
&
Tecnología,
18
(1).
https://doi.org/10.22335/rlct.v18i1.2250

Souppaya,
M.
P.,
&
Scarfone,
K.
A.
(2012).
Guidelines for
securing wireless
local area
networks
(WLANs)
(NIST
Special
Publication
800-153).
National
Institute
of
Standards
and
Technology.
https://doi.org/10.6028/NIST.SP.800-153

Toasa, R., Urdaneta, M., & Villacís, B. (2024).
Análisis
de
vulnerabilidades
basado
en
técnicas
de
inteligencia
artificial
para
la
seguridad informática en redes de área local
[Tesis,
Universidad
Tecnológica
Israel].
Repositorio
Institucional
de
la
Universidad
Tecnológica
Israel.
https://repositorio.uisrael.edu.ec/handle/470
00/4140

Wu,
H.
(2024).
Intrusion
detection
model
for
wireless
sensor
networks
based
on
FedAvg
and
XGBoost
algorithm.
International
Journal
of
Distributed
Sensor
Networks,
2024
,
5536615.
https://doi.org/10.1155/2024/5536615

Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0
Internacional.
Copyright
©
Walter
Javier
Maldonado
de
la
Cruz
y
Carlos
Alberto
Chacón
Terán.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 189

Declaraciones éticas y editoriales del artículo

Contribución de los autores (Taxonomía CRediT)

Walter Javier Maldonado de la Cruz: conceptualización de la investigación, formulación del problema y objetivos, revisión bibliográfica, diseño
metodológico,
coordinación
del
proceso
investigativo,
análisis
e
interpretación
de
los
resultados,
redacción
del
borrador
original
y
supervisión general del estudio.

Carlos Alberto Chacón Terán: apoyo en el diseño metodológico y componente tecnológico de la investigación, análisis de requerimientos técnicos,
revisión de soluciones basadas en inteligencia artificial y redes de comunicación, organización y análisis de la información, interpretación
de resultados, revisión crítica del contenido científico y edición del manuscrito.

Declaración de conflicto de intereses

Los autores declaran que no existen conflictos de intereses relacionados con la investigación, la autoría ni la publicación del presente artículo.

Declaración de financiamiento

La presente investigación no recibió financiamiento específico de agencias públicas, comerciales ni de organizaciones sin fines de lucro.

Declaración del editor

No aplica en la versión presentada por los autores. Esta declaración corresponde al equipo editorial de la revista una vez concluido el proceso de
evaluación y publicación del manuscrito.

Declaración de los revisores

No aplica en la versión presentada por los autores. Esta declaración corresponde a la revista una vez finalizado el proceso de revisión por pares.

Declaración ética de la investigación

Los
autores
declaran
que
la
investigación
se
desarrolló
respetando
los
principios
de
integridad
científica,
confidencialidad
y
protección
de
la
información institucional utilizada durante el estudio. La información recopilada fue empleada exclusivamente con fines académicos y científicos. En
los casos en que participaron personas en la recopilación de información, su participación fue voluntaria y los datos obtenidos fueron tratados de manera
confidencial, garantizando el respeto a los participantes y la protección de su identidad.

Declaración sobre el uso de inteligencia artificial

Los autores declaran que las herramientas de inteligencia artificial utilizadas en el contexto de la investigación fueron objeto de análisis como parte del
estudio sobre su factibilidad para la identificación de vulnerabilidades en redes inalámbricas. En caso de haberse empleado herramientas de inteligencia
artificial como apoyo durante la elaboración del manuscrito, su utilización se limitó a tareas técnicas de organización de información, revisión del
lenguaje o mejora de la claridad del texto. La interpretación de los resultados, las decisiones metodológicas y la responsabilidad intelectual sobre el
contenido corresponden exclusivamente a los autores.

Disponibilidad de datos

Los datos que respaldan los resultados de esta investigación estarán disponibles previa solicitud razonable al autor de correspondencia, respetando los
principios de confidencialidad, seguridad de la información y protección de los datos institucionales establecidos durante el estudio.

Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 9.3
Edición Especial EUROTEC 2026
Página 190