Evasión de Sistemas EDR mediante Cargas Útiles Polimórficas Generadas por Inteligencia Artificial: Un Enfoque de Auditoría Ofensiva
DOI:
https://doi.org/10.61616/rvdc.v7i2.1759Palavras-chave:
seguridad de endpoints, auditoría de seguridad, malware polimórfico, inteligencia artificial generativa, evasión de defensasResumo
La evolución de la Inteligencia Artificial (IA) generativa ha incrementado significativamente la capacidad de las amenazas avanzadas para evadir las plataformas de Endpoint Detection and Response (EDR), cuestionando la eficacia de los modelos tradicionales de auditoría y validación defensiva. Este estudio tuvo como objetivo desarrollar un marco conceptual de auditoría ofensiva orientado a evaluar las limitaciones arquitectónicas de los EDR frente a cargas útiles polimórficas capaces de eludir la telemetría basada en API Hooking y ejecutar llamadas directas al núcleo del sistema operativo. Se adoptó un enfoque cualitativo, descriptivo y analítico mediante una revisión sistemática de la literatura, siguiendo una adaptación de los lineamientos PRISMA 2020. Se analizaron 17 documentos científicos y técnicos publicados entre 2021 y 2026, provenientes de Scopus, Web of Science, IEEE Xplore, MITRE ATT&CK y organismos especializados en inteligencia de amenazas. Los hallazgos evidencian que la automatización de técnicas como Direct Syscalls, Control Flow Flattening, ofuscación semántica y modificación dinámica de la entropía reduce considerablemente la visibilidad de los EDR cuya telemetría depende del modo usuario. Asimismo, se identifica la necesidad de evolucionar desde modelos de detección basados en Indicadores de Compromiso (IoCs) hacia auditorías sustentadas en Indicadores de Comportamiento (IoBs), Threat Hunting proactivo y análisis forense de memoria. Finalmente, se propone integrar estos mecanismos dentro de un modelo de adquisición tecnológica basado en los principios de Zero Trust, fortaleciendo la resiliencia de la infraestructura crítica y la gestión del riesgo en la cadena de suministro frente a amenazas impulsadas por IA.
Referências
Brezinski, K., & Ferens, K. (2023). Metamorphic Malware and Obfuscation: A Survey of Techniques, Variants, and Generation Kits. Security and Communication Networks, 2023. https://doi.org/10.1155/2023/8227751
Castillo Serracín, J., & Gómez, J. (2026). Aprendizaje profundo frente a reglas estáticas: Detección de anomalías y amenazas de día cero. Synergía, 5(1), 587–602. https://doi.org/10.48204/synergia.v5n1.9883
Elastic Security Labs. (2025). 2025 Elastic Global Threat Report. Elastic. https://www.elastic.co/resources/security/report/global-threat-report
Firstbrook, P., & Silva, C. (2022). Magic Quadrant for Endpoint Protection Platforms. Gartner.
Grenier, E. (2024). Guide to Endpoint Security Concepts. Gartner. https://www.gartner.com/en/documents/5472195
Gao, C., Du, Y., Ma, F., Lan, Q., Chen, J., & Wu, J. (2024). A New Adversarial Malware Detection Method Based on Enhanced Lightweight Neural Network. Computers & Security, 147, 104078. https://doi.org/10.1016/j.cose.2024.104078
Gupta, M., Akiri, C. K., Aryal, K., Parker, E., & Praharaj, L. (2023). From ChatGPT to ThreatGPT: Impact of Generative AI in Cybersecurity and Privacy. IEEE Access, 11, 80218–80245. https://doi.org/10.1109/ACCESS.2023.3300381
Karantzas, G., & Patsakis, C. (2021). An Empirical Assessment of Endpoint Detection and Response Systems Against Advanced Persistent Threats Attack Vectors. Journal of Cybersecurity and Privacy, 1(3), 387–421. https://doi.org/10.3390/jcp1030021
Lewis, T. M., & Rimal, B. P. (2024). Effects of Removing User-Land Hooks in Endpoint Protection During Attack Experiments. IEEE Access, 12, 15820–15844. https://doi.org/10.1109/ACCESS.2024.3357525
MITRE ATT&CK. (2024). T1106: Native API. https://attack.mitre.org/techniques/T1106/
National Institute of Standards and Technology. (2023). Cybersecurity Supply Chain Risk Management Practices for Systems and Organizations (NIST SP 800-161 Rev. 1). https://doi.org/10.6028/NIST.SP.800-161r1
Nelson, A., Rekhi, S., Souppaya, M., & Scarfone, K. (2025). Incident Response Recommendations and Considerations for Cybersecurity Risk Management: A CSF 2.0 Community Profile (NIST Special Publication 800-61 Revision 3). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-61r3
Picus Labs. (2024). The Red Report 2024: The Top 10 Most Prevalent MITRE ATT&CK Techniques. Picus Security. https://www.picussecurity.com/hubfs/Red%20Report%202024/Picus-RedReport-2024.pdf
Rana, U., Modi, K., & Shukla, K. (2026). Polymorphic malware in digital forensics: A systematic scoping review of detection techniques, tools, and forensic applicability. Journal of Digital Security and Forensics, 3(1), 45–55. https://doi.org/10.29121/DigiSecForensics.v3.i1.2026.97
Rose, S., Borchert, O., Mitchell, S., & Connelly, S. (2020). Zero Trust Architecture (NIST SP 800-207). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.800-207
Sheneamer, A., Roy, S., & Kalita, J. (2018). A Detection Framework for Semantic Code Clones and Obfuscated Code. Expert Systems with Applications, 97, 405–420. https://doi.org/10.1016/j.eswa.2017.12.040
Ucci, D., Aniello, L., & Baldoni, R. (2019). Survey of Machine Learning Techniques for Malware Analysis. Computers & Security, 81, 123–147. https://doi.org/10.1016/j.cose.2018.11.001
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Juan Rigoberto Castillo Serracín, Carlos Bruce, Ibrain Kadir Rios, Alvin Blanco, Javier Miguel Gómez
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
