Recepção: 09-04-2026
Aprovação: 15-05-2026
pág. 329
DOI: https://doi.org/10.61616/rvdc.v7i2.1553
La Guerra Silenciosa de la Ciberseguridad Satelital mediante
Inteligencia Artificial: Un Análisis del Estado del Arte
Juan Rigoberto Castillo SerracÃn
juan.castillos@up.ac.pa
https://orcid.org/0009-0006-5821-7028
Universidad de Panamá, Centro Regional Universitario de San Miguelito
Panamá
Javier Miguel Gómez S.
javier.gomez@up.ac.pa
https://orcid.org/0009-0000-4583-5157
Universidad de Panamá, Centro Regional Universitario de San Miguelito
Panamá
RESUMEN
El advenimiento del NewSpace y la emergencia de la Inteligencia Artificial (IA) ofensiva han
expandido exponencialmente la superficie de ataque en la infraestructura satelital, volviendo
obsoletas las defensas basadas en reglas estáticas. El objetivo de este artÃculo es analizar
crÃticamente el estado del arte de la ciberseguridad satelital mediada por IA. Bajo un enfoque
cualitativo y propositivo, se ejecutó una revisión sistemática de la literatura guiada por las
directrices PRISMA y Kitchenham sobre un corpus estratificado de 28 fuentes primarias de alta
fidelidad (2021-2026). Los resultados identifican una taxonomÃa de amenazas autónomas en
los frentes de software de vuelo, enlace y red. Se demuestra que los modelos de aprendizaje
profundo (Deep Learning) superan el colapso operativo de las firmas tradicionales, alcanzando
una efectividad analÃtica ( F1 -score) superior al 94.8% en la detección de anomalÃas a bordo
en condiciones de pérdida de señal. Asimismo, se concluye que la viabilidad del despliegue en
órbita ante restricciones fÃsicas (SWaP) exige optimizaciones de TinyML (cuantización a INT8)
y esquemas de monitoreo pasivo integrados con los estándares internacionales CCSDS y NIST,
fundamentando la transición indispensable hacia la autonomÃa defensiva y el resguardo de la
soberanÃa digital espacial.
Palabras clave: ciberseguridad satelital, aprendizaje profundo, inteligencia artificial, seguridad
informática, procesamiento de datos
Licencia
Este trabajo está bajo una licencia Creative Commons Attribution 4.0 International.
pág. 330
The Silent War of Satellite Cybersecurity through Artificial
Intelligence: An Analysis of the State of the Art
ABSTRACT
The advent of NewSpace and the emergence of offensive Artificial Intelligence (AI) have
exponentially expanded the attack surface in satellite infrastructure, rendering static rule-
based defenses obsolete. The objective of this article is to critically analyze the state of the art
of AI-mediated satellite cybersecurity. Under a qualitative and propositive approach, a
systematic literature review guided by PRISMA and Kitchenham guidelines was executed on a
stratified corpus of 28 high-fidelity primary sources (2021–2026). The results identify a
taxonomy of autonomous threats across flight software, link, and network fronts. It is
demonstrated that deep learning models overcome the operational collapse of traditional
signatures, achieving an analytical effectiveness ( F1 -score) higher than 94.8% in on-board
anomaly detection under loss-of-signal conditions. Likewise, it is concluded that the feasibility
of in-orbit deployment given physical constraints (SWaP) requires TinyML optimizations
(quantization to INT8) and passive monitoring schemes integrated with international CCSDS
and NIST standards, grounding the indispensable transition toward defensive autonomy and
the safeguarding of space digital sovereignty.
Keywords: satellite cybersecurity, deep learning, artificial intelligence, computer security,
data processing
License
This work is licensed under a Creative Commons Attribution 4.0 International license.
The Silent War of Satellite Cybersecurity through Artificial
Intelligence: An Analysis of the State of the Art
ABSTRACT
The advent of NewSpace and the emergence of offensive Artificial Intelligence (AI) have
exponentially expanded the attack surface in satellite infrastructure, rendering static rule-
based defenses obsolete. The objective of this article is to critically analyze the state of the art
of AI-mediated satellite cybersecurity. Under a qualitative and propositive approach, a
systematic literature review guided by PRISMA and Kitchenham guidelines was executed on a
stratified corpus of 28 high-fidelity primary sources (2021–2026). The results identify a
taxonomy of autonomous threats across flight software, link, and network fronts. It is
demonstrated that deep learning models overcome the operational collapse of traditional
signatures, achieving an analytical effectiveness ( F1 -score) higher than 94.8% in on-board
anomaly detection under loss-of-signal conditions. Likewise, it is concluded that the feasibility
of in-orbit deployment given physical constraints (SWaP) requires TinyML optimizations
(quantization to INT8) and passive monitoring schemes integrated with international CCSDS
and NIST standards, grounding the indispensable transition toward defensive autonomy and
the safeguarding of space digital sovereignty.
Keywords: satellite cybersecurity, deep learning, artificial intelligence, computer security,
data processing
License
This work is licensed under a Creative Commons Attribution 4.0 International license.
pág. 331
INTRODUCCIÓN
La infraestructura satelital se ha consolidado como la columna vertebral de la sociedad
hiperconectada contemporánea, sustentando desde los sistemas de posicionamiento global y
las telecomunicaciones transcontinentales hasta las redes de defensa y la sincronización
financiera internacional (Falco, 2019). Históricamente, el espacio ultraterrestre fue
considerado un dominio fÃsicamente aislado, donde la seguridad de los activos espaciales
dependÃa principalmente de la complejidad de su acceso de hardware y del uso de protocolos
de comunicación propietarios. Sin embargo, el advenimiento del paradigma del Nuevo Espacio
(NewSpace) ha catalizado una proliferación sin precedentes de megaconstelaciones
comerciales en la órbita terrestre baja (LEO), democratizando el acceso orbital pero
expandiendo exponencialmente la superficie de ataque digital (Ugolini et al., 2021). Este
ecosistema interconectado y heterogéneo ya no está exento de las ciberamenazas terrestres;
por el contrario, se ha convertido en un vector crÃtico de vulnerabilidad sistémica.
En este nuevo teatro de operaciones, la convergencia entre la tecnologÃa satelital y la
Inteligencia Artificial (IA) ha desencadenado una transformación disruptiva de doble filo. Por
un lado, la emergencia de la IA ofensiva ha redefinido los vectores de amenaza tradicionales.
Los actores maliciosos, tanto estatales como independientes, están empleando modelos de
aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para
automatizar el descubrimiento de vulnerabilidades de dÃa cero en el software de control de
actitud y órbita (AOCS), optimizar los ataques de denegación de servicio (DoS) contra
estaciones terrenas y orquestar interceptaciones de telemetrÃa mediante ataques de
suplantación de identidad (spoofing) altamente adaptativos (Manulis et al., 2021). Esta
automatización del ataque genera una asimetrÃa táctica donde las defensas manuales o
basadas en reglas estáticas resultan obsoletas ante la velocidad y mutabilidad de los exploits
INTRODUCCIÓN
La infraestructura satelital se ha consolidado como la columna vertebral de la sociedad
hiperconectada contemporánea, sustentando desde los sistemas de posicionamiento global y
las telecomunicaciones transcontinentales hasta las redes de defensa y la sincronización
financiera internacional (Falco, 2019). Históricamente, el espacio ultraterrestre fue
considerado un dominio fÃsicamente aislado, donde la seguridad de los activos espaciales
dependÃa principalmente de la complejidad de su acceso de hardware y del uso de protocolos
de comunicación propietarios. Sin embargo, el advenimiento del paradigma del Nuevo Espacio
(NewSpace) ha catalizado una proliferación sin precedentes de megaconstelaciones
comerciales en la órbita terrestre baja (LEO), democratizando el acceso orbital pero
expandiendo exponencialmente la superficie de ataque digital (Ugolini et al., 2021). Este
ecosistema interconectado y heterogéneo ya no está exento de las ciberamenazas terrestres;
por el contrario, se ha convertido en un vector crÃtico de vulnerabilidad sistémica.
En este nuevo teatro de operaciones, la convergencia entre la tecnologÃa satelital y la
Inteligencia Artificial (IA) ha desencadenado una transformación disruptiva de doble filo. Por
un lado, la emergencia de la IA ofensiva ha redefinido los vectores de amenaza tradicionales.
Los actores maliciosos, tanto estatales como independientes, están empleando modelos de
aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning) para
automatizar el descubrimiento de vulnerabilidades de dÃa cero en el software de control de
actitud y órbita (AOCS), optimizar los ataques de denegación de servicio (DoS) contra
estaciones terrenas y orquestar interceptaciones de telemetrÃa mediante ataques de
suplantación de identidad (spoofing) altamente adaptativos (Manulis et al., 2021). Esta
automatización del ataque genera una asimetrÃa táctica donde las defensas manuales o
basadas en reglas estáticas resultan obsoletas ante la velocidad y mutabilidad de los exploits
pág. 332
generados algorÃtmicamente. Esta insuficiencia metodológica de los enfoques convencionales
evidencia la urgencia de transicionar hacia arquitecturas basadas en el aprendizaje profundo,
las cuales demuestran una efectividad significativamente superior en la identificación analÃtica
de patrones anómalos y en la mitigación de vulnerabilidades no catalogadas frente a las
rigideces predictivas preestablecidas (Castillo SerracÃn & Gómez, 2026). Es, en esencia, una
guerra silenciosa y automatizada que se libra sobre las redes orbitales.
Paralelamente, la literatura cientÃfica contemporánea destaca que la IA es también el único
mecanismo viable para articular una defensa eficaz en entornos tan hostiles y de alta criticidad
operativa como el espacio. Debido a las limitaciones intrÃnsecas del ancho de banda y a los
perÃodos inevitables de pérdida de lÃnea de visión entre los satélites y las estaciones de control
terrestre, la resiliencia ciberespacial requiere un cambio de paradigma hacia la autonomÃa
defensiva (Denby & Lucia, 2020). Los sistemas de detección de intrusiones a bordo (On-Board
IDS), basados en modelos ligeros de redes neuronales y aprendizaje por refuerzo, emergen
como soluciones crÃticas; estas arquitecturas son capaces de monitorear el bus de datos del
satélite —como el protocolo CAN o la arquitectura de alta velocidad SpaceWire (European
Cooperation for Space Standardization [ECSS], 2008)—, identificar anomalÃas en el
comportamiento de la telemetrÃa en tiempo real y ejecutar contramedidas autónomas de
mitigación antes de que el control del aparato se vea comprometido (Hundman et al., 2018).
No obstante, el despliegue de estas arquitecturas inteligentes en órbita enfrenta severas
restricciones de cómputo, energÃa y memoria (SWaP - Size, Weight, and Power), lo que delimita
un campo de tensión cientÃfica entre la complejidad del modelo y su viabilidad operativa.
A pesar de la proliferación de estudios aislados que abordan la ciberseguridad computacional
o el diseño puramente aeroespacial, la literatura cientÃfica actual exhibe una fragmentación
notable en la intersección de ambas disciplinas bajo el prisma de la IA. Persiste un vacÃo de
generados algorÃtmicamente. Esta insuficiencia metodológica de los enfoques convencionales
evidencia la urgencia de transicionar hacia arquitecturas basadas en el aprendizaje profundo,
las cuales demuestran una efectividad significativamente superior en la identificación analÃtica
de patrones anómalos y en la mitigación de vulnerabilidades no catalogadas frente a las
rigideces predictivas preestablecidas (Castillo SerracÃn & Gómez, 2026). Es, en esencia, una
guerra silenciosa y automatizada que se libra sobre las redes orbitales.
Paralelamente, la literatura cientÃfica contemporánea destaca que la IA es también el único
mecanismo viable para articular una defensa eficaz en entornos tan hostiles y de alta criticidad
operativa como el espacio. Debido a las limitaciones intrÃnsecas del ancho de banda y a los
perÃodos inevitables de pérdida de lÃnea de visión entre los satélites y las estaciones de control
terrestre, la resiliencia ciberespacial requiere un cambio de paradigma hacia la autonomÃa
defensiva (Denby & Lucia, 2020). Los sistemas de detección de intrusiones a bordo (On-Board
IDS), basados en modelos ligeros de redes neuronales y aprendizaje por refuerzo, emergen
como soluciones crÃticas; estas arquitecturas son capaces de monitorear el bus de datos del
satélite —como el protocolo CAN o la arquitectura de alta velocidad SpaceWire (European
Cooperation for Space Standardization [ECSS], 2008)—, identificar anomalÃas en el
comportamiento de la telemetrÃa en tiempo real y ejecutar contramedidas autónomas de
mitigación antes de que el control del aparato se vea comprometido (Hundman et al., 2018).
No obstante, el despliegue de estas arquitecturas inteligentes en órbita enfrenta severas
restricciones de cómputo, energÃa y memoria (SWaP - Size, Weight, and Power), lo que delimita
un campo de tensión cientÃfica entre la complejidad del modelo y su viabilidad operativa.
A pesar de la proliferación de estudios aislados que abordan la ciberseguridad computacional
o el diseño puramente aeroespacial, la literatura cientÃfica actual exhibe una fragmentación
notable en la intersección de ambas disciplinas bajo el prisma de la IA. Persiste un vacÃo de
pág. 333
conocimiento (gap) en la sistematización crÃtica de cómo las capacidades duales de la IA están
reconfigurando la resiliencia de las infraestructuras espaciales crÃticas y cuáles son los marcos
metodológicos estándar para validar la robustez de estos algoritmos ante ataques adversarios
en entornos orbitales. Con el propósito de mitigar esta brecha, el objetivo general de este
artÃculo es analizar crÃticamente el estado del arte de la ciberseguridad satelital mediada por
inteligencia artificial. A través de una revisión documental sistemática, este trabajo examina
los vectores de amenaza emergentes, evalúa la efectividad de las arquitecturas de defensa
autónoma propuestas en los últimos años y delimita las lÃneas de investigación prioritarias
para la gobernanza y protección de los activos espaciales globales.
METODOLOGIA
La presente investigación se adscribe a un enfoque cualitativo con un diseño no experimental,
de tipo bibliográfico y documental, fundamentado bajo las directrices internacionales del
protocolo PRISMA y los criterios de Kitchenham para la ejecución de Revisiones Sistemáticas
de la Literatura (SLR) en ciencias de la computación. La naturaleza del estudio es de carácter
descriptivo-analÃtico y crÃtico-propositivo. Es descriptivo-analÃtico porque examina y decanta
la literatura cientÃfica global respecto a los vectores de ciberataque basados en Inteligencia
Artificial (IA) y los sistemas de respuesta autónomos en entornos orbitales; y es propositivo
porque, trascendiendo la mera recopilación documental, articula una sÃntesis conceptual que
evalúa la transición crÃtica desde los paradigmas de detección por firmas estáticas hacia
modelos robustos de aprendizaje profundo (Deep Learning) aptos para infraestructuras
aeroespaciales crÃticas.
conocimiento (gap) en la sistematización crÃtica de cómo las capacidades duales de la IA están
reconfigurando la resiliencia de las infraestructuras espaciales crÃticas y cuáles son los marcos
metodológicos estándar para validar la robustez de estos algoritmos ante ataques adversarios
en entornos orbitales. Con el propósito de mitigar esta brecha, el objetivo general de este
artÃculo es analizar crÃticamente el estado del arte de la ciberseguridad satelital mediada por
inteligencia artificial. A través de una revisión documental sistemática, este trabajo examina
los vectores de amenaza emergentes, evalúa la efectividad de las arquitecturas de defensa
autónoma propuestas en los últimos años y delimita las lÃneas de investigación prioritarias
para la gobernanza y protección de los activos espaciales globales.
METODOLOGIA
La presente investigación se adscribe a un enfoque cualitativo con un diseño no experimental,
de tipo bibliográfico y documental, fundamentado bajo las directrices internacionales del
protocolo PRISMA y los criterios de Kitchenham para la ejecución de Revisiones Sistemáticas
de la Literatura (SLR) en ciencias de la computación. La naturaleza del estudio es de carácter
descriptivo-analÃtico y crÃtico-propositivo. Es descriptivo-analÃtico porque examina y decanta
la literatura cientÃfica global respecto a los vectores de ciberataque basados en Inteligencia
Artificial (IA) y los sistemas de respuesta autónomos en entornos orbitales; y es propositivo
porque, trascendiendo la mera recopilación documental, articula una sÃntesis conceptual que
evalúa la transición crÃtica desde los paradigmas de detección por firmas estáticas hacia
modelos robustos de aprendizaje profundo (Deep Learning) aptos para infraestructuras
aeroespaciales crÃticas.
pág. 334
Figura 1. Diagrama de flujo PRISMA para la selección y filtrado del corpus documental
Nota. Flujo metodológico basado en los estándares PRISMA y los criterios de Kitchenham para Revisiones Sistemáticas de la
Literatura (SLR). El parámetro identifica el volumen cuantitativo de fuentes documentales registradas, evaluadas, excluidas
e incluidas de forma definitiva en el estudio. Elaboración propia (2026).
Estrategia de Búsqueda y Protocolo de Extracción
Para garantizar la replicabilidad absoluta del estudio y eliminar los sesgos de selección, el
proceso de recolección de información se rigió por un horizonte temporal acotado a los
últimos cinco años (2021-2026), priorizando la frontera del conocimiento y la inmediatez
tecnológica. La consulta exhaustiva se ejecutó en bases de datos académicas e indexadas de
alto impacto y prestigio internacional: IEEE Xplore Digital Library, Scopus, Web of Science
(WoS) y ScienceDirect (Elsevier).
La sintaxis de búsqueda se configuró mediante el uso avanzado de operadores booleanos
(AND, OR, NOT) y caracteres de truncamiento, estructurando las cadenas principales de la
siguiente manera:
• Cadena A (Eje Espacial): ("Space Cybersecurity" OR "Satellite Security" OR "LEO
Constellations" OR "Orbital Networks")
• Cadena B (Eje de Inteligencia Artificial): AND ("Artificial Intelligence" OR "Machine
Learning" OR "Deep Learning")
Figura 1. Diagrama de flujo PRISMA para la selección y filtrado del corpus documental
Nota. Flujo metodológico basado en los estándares PRISMA y los criterios de Kitchenham para Revisiones Sistemáticas de la
Literatura (SLR). El parámetro identifica el volumen cuantitativo de fuentes documentales registradas, evaluadas, excluidas
e incluidas de forma definitiva en el estudio. Elaboración propia (2026).
Estrategia de Búsqueda y Protocolo de Extracción
Para garantizar la replicabilidad absoluta del estudio y eliminar los sesgos de selección, el
proceso de recolección de información se rigió por un horizonte temporal acotado a los
últimos cinco años (2021-2026), priorizando la frontera del conocimiento y la inmediatez
tecnológica. La consulta exhaustiva se ejecutó en bases de datos académicas e indexadas de
alto impacto y prestigio internacional: IEEE Xplore Digital Library, Scopus, Web of Science
(WoS) y ScienceDirect (Elsevier).
La sintaxis de búsqueda se configuró mediante el uso avanzado de operadores booleanos
(AND, OR, NOT) y caracteres de truncamiento, estructurando las cadenas principales de la
siguiente manera:
• Cadena A (Eje Espacial): ("Space Cybersecurity" OR "Satellite Security" OR "LEO
Constellations" OR "Orbital Networks")
• Cadena B (Eje de Inteligencia Artificial): AND ("Artificial Intelligence" OR "Machine
Learning" OR "Deep Learning")
pág. 335
• Cadena C (Eje de Vulnerabilidad/Mitigación): AND ("Anomaly Detection" OR "Zero-Day
Threats" OR "Intrusion Detection Systems")
Criterios de Inclusión, Exclusión y Estratificación de la Muestra
El proceso de depuración documental aplicó filtros taxonómicos estrictos. Se establecieron
como criterios de inclusión: (a) artÃculos cientÃficos originales y de revisión publicados en
revistas arbitradas por pares e indexadas en los cuartiles Q1 y Q2 de JCR/SJR; (b) actas de
congresos internacionales de alta relevancia en ingenierÃa aeroespacial y seguridad
computacional (e.g., IEEE Aerospace Conference); y (c) marcos normativos emitidos por
agencias u organismos de estandarización global. Se determinaron como criterios de
exclusión: notas editoriales, libros de divulgación no cientÃfica, artÃculos de opinión de blogs
técnicos y reportes corporativos con evidente sesgo comercial o comercialización de
herramientas propietarias.
Tras agotar las fases de identificación, cribado y elegibilidad del flujo PRISMA, se consolidó un
corpus muestral intencional de 28 fuentes primarias de alta fidelidad, las cuales fueron
estratificadas analÃticamente en tres dimensiones operativas:
Tabla 1. Estratificación y Caracterización Táctica del Corpus Documental Seleccionado
Dimensión
Documental
TipologÃa de
Fuentes
Primarias
Cantidad Enfoque Técnico Analizado
A. Evidencia
CientÃfica
Avanzada
ArtÃculos
indexados (peer-
reviewed) en
IEEE, Elsevier y
AIAA.
14 Algoritmia de aprendizaje profundo, redes
neuronales embebidas, modelos
supervisados y no supervisados para buses
de datos satelitales (CAN/SpaceWire).
B. Marcos de
Estandarización
y Normativa
Estándares
globales e
internacionales
de seguridad en
sistemas
espaciales.
6 Directrices del Consultative Committee for
Space Data Systems (CCSDS), European
Cooperation for Space Standardization
(ECSS), NIST SP 800-160 Vol. 2 y
regulaciones de ciber-resiliencia espacial.
• Cadena C (Eje de Vulnerabilidad/Mitigación): AND ("Anomaly Detection" OR "Zero-Day
Threats" OR "Intrusion Detection Systems")
Criterios de Inclusión, Exclusión y Estratificación de la Muestra
El proceso de depuración documental aplicó filtros taxonómicos estrictos. Se establecieron
como criterios de inclusión: (a) artÃculos cientÃficos originales y de revisión publicados en
revistas arbitradas por pares e indexadas en los cuartiles Q1 y Q2 de JCR/SJR; (b) actas de
congresos internacionales de alta relevancia en ingenierÃa aeroespacial y seguridad
computacional (e.g., IEEE Aerospace Conference); y (c) marcos normativos emitidos por
agencias u organismos de estandarización global. Se determinaron como criterios de
exclusión: notas editoriales, libros de divulgación no cientÃfica, artÃculos de opinión de blogs
técnicos y reportes corporativos con evidente sesgo comercial o comercialización de
herramientas propietarias.
Tras agotar las fases de identificación, cribado y elegibilidad del flujo PRISMA, se consolidó un
corpus muestral intencional de 28 fuentes primarias de alta fidelidad, las cuales fueron
estratificadas analÃticamente en tres dimensiones operativas:
Tabla 1. Estratificación y Caracterización Táctica del Corpus Documental Seleccionado
Dimensión
Documental
TipologÃa de
Fuentes
Primarias
Cantidad Enfoque Técnico Analizado
A. Evidencia
CientÃfica
Avanzada
ArtÃculos
indexados (peer-
reviewed) en
IEEE, Elsevier y
AIAA.
14 Algoritmia de aprendizaje profundo, redes
neuronales embebidas, modelos
supervisados y no supervisados para buses
de datos satelitales (CAN/SpaceWire).
B. Marcos de
Estandarización
y Normativa
Estándares
globales e
internacionales
de seguridad en
sistemas
espaciales.
6 Directrices del Consultative Committee for
Space Data Systems (CCSDS), European
Cooperation for Space Standardization
(ECSS), NIST SP 800-160 Vol. 2 y
regulaciones de ciber-resiliencia espacial.
pág. 336
C. Reportes
Tácticos de la
Industria
Informes
analÃticos de
agencias de
defensa y firmas
globales
especializadas.
8 Reportes de vulnerabilidades orbitales de la
Agencia Europea de Defensa (EDA), CISA,
Aerospace Corporation, e informes tácticos
sobre exploits espaciales reales.
Nota. Distribución analÃtica de las 28 fuentes primarias seleccionadas tras la aplicación del protocolo PRISMA. Las dimensiones
categorizan la evidencia en tres niveles operativos (teorÃa, norma y práctica) para viabilizar el proceso de triangulación
hermenéutica de la investigación. Elaboración propia (2026).
Instrumento de Procesamiento y Criterios de Validez (Triangulación)
Para la descomposición e interpretación sistemática del corpus, se diseñó ad hoc una Matriz
de Categorización y Extracción de Datos en Formato AnalÃtico. Este instrumento organizó la
información recuperada según campos paramétricos rÃgidos: autores, año, Ãndice de impacto,
vector de ataque espacial abordado, arquitectura de IA propuesta (parámetros y algoritmos),
limitaciones de hardware identificadas y el rendimiento analÃtico reportado.
La validez de constructo y la fiabilidad interna del análisis se aseguraron mediante un enfoque
de Triangulación Hermenéutica Cruzada. Este método metodológico eliminó interpretaciones
unilaterales al someter cada hallazgo detectado en la literatura a un contraste simultáneo en
tres niveles crÃticos:
1. El nivel ontológico/académico (La TeorÃa): Representado por las propuestas de
algoritmos de aprendizaje profundo evaluados en la literatura cientÃfica actual.
2. El nivel deontológico/regulatorio (La Norma): Representado por las restricciones de
interoperabilidad, encriptación y control de acceso dictadas por los estándares
internacionales (CCSDS/NIST).
3. El nivel fenomenológico/operativo (La Práctica): Representado por la realidad
empÃrica de las amenazas de dÃa cero, los ataques adversarios a la IA y los incidentes
cibernéticos documentados por la industria aeroespacial.
C. Reportes
Tácticos de la
Industria
Informes
analÃticos de
agencias de
defensa y firmas
globales
especializadas.
8 Reportes de vulnerabilidades orbitales de la
Agencia Europea de Defensa (EDA), CISA,
Aerospace Corporation, e informes tácticos
sobre exploits espaciales reales.
Nota. Distribución analÃtica de las 28 fuentes primarias seleccionadas tras la aplicación del protocolo PRISMA. Las dimensiones
categorizan la evidencia en tres niveles operativos (teorÃa, norma y práctica) para viabilizar el proceso de triangulación
hermenéutica de la investigación. Elaboración propia (2026).
Instrumento de Procesamiento y Criterios de Validez (Triangulación)
Para la descomposición e interpretación sistemática del corpus, se diseñó ad hoc una Matriz
de Categorización y Extracción de Datos en Formato AnalÃtico. Este instrumento organizó la
información recuperada según campos paramétricos rÃgidos: autores, año, Ãndice de impacto,
vector de ataque espacial abordado, arquitectura de IA propuesta (parámetros y algoritmos),
limitaciones de hardware identificadas y el rendimiento analÃtico reportado.
La validez de constructo y la fiabilidad interna del análisis se aseguraron mediante un enfoque
de Triangulación Hermenéutica Cruzada. Este método metodológico eliminó interpretaciones
unilaterales al someter cada hallazgo detectado en la literatura a un contraste simultáneo en
tres niveles crÃticos:
1. El nivel ontológico/académico (La TeorÃa): Representado por las propuestas de
algoritmos de aprendizaje profundo evaluados en la literatura cientÃfica actual.
2. El nivel deontológico/regulatorio (La Norma): Representado por las restricciones de
interoperabilidad, encriptación y control de acceso dictadas por los estándares
internacionales (CCSDS/NIST).
3. El nivel fenomenológico/operativo (La Práctica): Representado por la realidad
empÃrica de las amenazas de dÃa cero, los ataques adversarios a la IA y los incidentes
cibernéticos documentados por la industria aeroespacial.
pág. 337
Finalmente, el procesamiento analÃtico trascendió la mera descripción sintética para ejecutar
una metasÃntesis integradora. Este procedimiento permitió confrontar de manera directa las
ventajas predictivas de los modelos avanzados de redes neuronales frente a las rigideces
operativas de los enfoques basados en reglas estáticas o firmas tradicionales. A partir de allÃ,
se estructuró la fase propositiva del artÃculo, orientada a trazar las lÃneas de investigación
prioritarias y los requerimientos de optimización computacional para viabilizar el despliegue
de modelos de IA defensiva bajo las severas restricciones energéticas y de hardware que
imponen los activos en órbita.
RESULTADOS
El análisis sistemático y la metasÃntesis integradora del corpus compuesto por las 28 fuentes
primarias seleccionadas permitieron mapear con precisión la frontera del conocimiento en la
intersección de la ciberseguridad aeroespacial y los sistemas de inteligencia artificial. Los
hallazgos derivados de esta revisión documental no se limitan a una recopilación descriptiva
de literatura, sino que articulan una evaluación crÃtica y multidimensional estructurada en tres
ejes operativos fundamentales que responden al objetivo general de la investigación. En
primer lugar, se delimita la taxonomÃa de los vectores de amenaza emergentes en la
infraestructura satelital, evidenciando cómo la IA ofensiva ha automatizado y sofisticado las
agresiones en órbita (Manulis et al., 2021). En segundo lugar, se presenta un contraste analÃtico
y matemático entre la eficacia adaptativa del aprendizaje profundo (Deep Learning) y la
obsolescencia de los enfoques tradicionales basados en reglas estáticas para la detección de
anomalÃas y amenazas de dÃa cero (Castillo SerracÃn & Gómez, 2026; Vinayakumar et al., 2019).
Finalmente, se examinan las restricciones fÃsicas de hardware y los marcos de
interoperabilidad normativa internacionales que condicionan y delimitan la viabilidad práctica
de desplegar estos modelos inteligentes en entornos de producción orbital. Esta arquitectura
Finalmente, el procesamiento analÃtico trascendió la mera descripción sintética para ejecutar
una metasÃntesis integradora. Este procedimiento permitió confrontar de manera directa las
ventajas predictivas de los modelos avanzados de redes neuronales frente a las rigideces
operativas de los enfoques basados en reglas estáticas o firmas tradicionales. A partir de allÃ,
se estructuró la fase propositiva del artÃculo, orientada a trazar las lÃneas de investigación
prioritarias y los requerimientos de optimización computacional para viabilizar el despliegue
de modelos de IA defensiva bajo las severas restricciones energéticas y de hardware que
imponen los activos en órbita.
RESULTADOS
El análisis sistemático y la metasÃntesis integradora del corpus compuesto por las 28 fuentes
primarias seleccionadas permitieron mapear con precisión la frontera del conocimiento en la
intersección de la ciberseguridad aeroespacial y los sistemas de inteligencia artificial. Los
hallazgos derivados de esta revisión documental no se limitan a una recopilación descriptiva
de literatura, sino que articulan una evaluación crÃtica y multidimensional estructurada en tres
ejes operativos fundamentales que responden al objetivo general de la investigación. En
primer lugar, se delimita la taxonomÃa de los vectores de amenaza emergentes en la
infraestructura satelital, evidenciando cómo la IA ofensiva ha automatizado y sofisticado las
agresiones en órbita (Manulis et al., 2021). En segundo lugar, se presenta un contraste analÃtico
y matemático entre la eficacia adaptativa del aprendizaje profundo (Deep Learning) y la
obsolescencia de los enfoques tradicionales basados en reglas estáticas para la detección de
anomalÃas y amenazas de dÃa cero (Castillo SerracÃn & Gómez, 2026; Vinayakumar et al., 2019).
Finalmente, se examinan las restricciones fÃsicas de hardware y los marcos de
interoperabilidad normativa internacionales que condicionan y delimitan la viabilidad práctica
de desplegar estos modelos inteligentes en entornos de producción orbital. Esta arquitectura
pág. 338
argumental proporciona un marco cohesivo para comprender la reconfiguración sistémica de
la resiliencia en el espacio ultraterrestre.
TaxonomÃa de Vectores de Amenaza Asistidos por IA en la Infraestructura Satelital
La sistematización de los 10 reportes tácticos de la industria y las fuentes cientÃficas analizadas
revela que la convergencia entre el ecosistema NewSpace y la IA ofensiva ha generado una
mutación cualitativa en los vectores de ciberataque. Los vectores de amenaza tradicionales,
basados en la explotación manual de vulnerabilidades conocidas, han sido reemplazados por
marcos de explotación algorÃtmica autónoma. La revisión documental permitió identificar y
clasificar tres macro-vectores de ataque crÃticos que operan en los diferentes segmentos del
sistema espacial (tierra, enlace y órbita):
Descubrimiento Automatizado de Vulnerabilidades de DÃa Cero en el Software de Vuelo:
Múltiples fuentes evidencian que los atacantes emplean técnicas de fuzzing inteligente
potenciado por redes neuronales generativas directamente contra los sistemas operativos de
tiempo real (RTOS) embebidos en los satélites, como VxWorks o RTEMS (Deng et al., 2023;
Willbold et al., 2023). La gravedad de esta amenaza ha sido catalogada en las alertas de
seguridad nacional hemisféricas, advirtiendo que los vectores automatizados explotan
activamente la falta de parches en infraestructuras comerciales crÃticas (Cybersecurity and
Infrastructure Security Agency [CISA] & Federal Bureau of Investigation [FBI], 2022). Esta
modalidad de explotación avanzada trasciende las limitaciones del fuzzing mutacional
probabilÃstico tradicional, el cual satura los puertos de entrada con datos aleatorios de forma
ineficiente. Al mapear estas debilidades en el firmware, los modelos ofensivos se alinean con
taxonomÃas de ataque especÃficas para sistemas espaciales, como el marco SPARTA (Space
Attack Research and Tactical Analysis), el cual identifica que la falta de verificación de
integridad en tiempo de compilación expone al software de vuelo a ejecuciones arbitrarias de
argumental proporciona un marco cohesivo para comprender la reconfiguración sistémica de
la resiliencia en el espacio ultraterrestre.
TaxonomÃa de Vectores de Amenaza Asistidos por IA en la Infraestructura Satelital
La sistematización de los 10 reportes tácticos de la industria y las fuentes cientÃficas analizadas
revela que la convergencia entre el ecosistema NewSpace y la IA ofensiva ha generado una
mutación cualitativa en los vectores de ciberataque. Los vectores de amenaza tradicionales,
basados en la explotación manual de vulnerabilidades conocidas, han sido reemplazados por
marcos de explotación algorÃtmica autónoma. La revisión documental permitió identificar y
clasificar tres macro-vectores de ataque crÃticos que operan en los diferentes segmentos del
sistema espacial (tierra, enlace y órbita):
Descubrimiento Automatizado de Vulnerabilidades de DÃa Cero en el Software de Vuelo:
Múltiples fuentes evidencian que los atacantes emplean técnicas de fuzzing inteligente
potenciado por redes neuronales generativas directamente contra los sistemas operativos de
tiempo real (RTOS) embebidos en los satélites, como VxWorks o RTEMS (Deng et al., 2023;
Willbold et al., 2023). La gravedad de esta amenaza ha sido catalogada en las alertas de
seguridad nacional hemisféricas, advirtiendo que los vectores automatizados explotan
activamente la falta de parches en infraestructuras comerciales crÃticas (Cybersecurity and
Infrastructure Security Agency [CISA] & Federal Bureau of Investigation [FBI], 2022). Esta
modalidad de explotación avanzada trasciende las limitaciones del fuzzing mutacional
probabilÃstico tradicional, el cual satura los puertos de entrada con datos aleatorios de forma
ineficiente. Al mapear estas debilidades en el firmware, los modelos ofensivos se alinean con
taxonomÃas de ataque especÃficas para sistemas espaciales, como el marco SPARTA (Space
Attack Research and Tactical Analysis), el cual identifica que la falta de verificación de
integridad en tiempo de compilación expone al software de vuelo a ejecuciones arbitrarias de