INVESTIGACIÓN
Junio de 2025: agentes engañados por la pantalla, barcos atacados, coches delatores
RansomwareOT and industrial securitySupply chain
Junio de 2025 desplaza la atención al mundo físico. Los oficiales de a bordo relatan GPS falsificados y ransomware en los barcos, los datos del bus CAN reconstruyen la ruta de un coche sin GPS y un vídeo de una impresora 3D basta para robar el diseño. Los agentes que usan el ordenador caen en instrucciones ocultas en pantalla y el fuzzing halla diez CVE en módems 5G.
Archivo: reconstrucción escrita en noviembre de 2026
1. VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
arXiv · Tri Cao, Bennett Lim, Yue Liu, Yuan Sui et al. · Seguridad de IA y LLM
En breve: Instrucciones maliciosas en la pantalla engañan a los agentes de navegador y de ordenador hasta en el 100% de los casos.
Los agentes que usan el ordenador tienen acceso total a archivos, datos y comandos. VPI-Bench mide su resistencia a la visual prompt injection, instrucciones maliciosas insertadas visualmente en la interfaz, con 306 casos en cinco plataformas populares. Los agentes de ordenador caen hasta el 51% de las veces y los de navegador hasta el 100%; las defensas en el prompt de sistema ayudan poco.
Por qué importa. Un agente con acceso total al ordenador puede ser secuestrado por cualquier página web: sus permisos deben fijarse como los de un empleado nuevo.
Leer el artículo · PDF · Código
2. Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
ACM Conference on Computer and Communications Security · Zongjie Li, Daoyuan Wu, Shuai Wang, Zhendong Su
En breve: Los datos de entrenamiento de un LLM especializado se extraen aprovechando sus diferencias con el modelo base.
Los datasets de ajuste fino supervisado contienen pares instrucción-respuesta valiosos y por eso son un objetivo. El primer estudio del tema define el problema y propone Differentiated Data Extraction, que aprovecha la confianza del modelo ajustado y sus diferencias con el modelo base. Supera a los métodos existentes en todos los escenarios; los autores proponen una defensa de bajo impacto.
Por qué importa. Quien expone un modelo entrenado con datos propios puede perder esos mismos datos: un riesgo de propiedad intelectual y confidencialidad antes del lanzamiento.
3. A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
ACM Conference on Computer and Communications Security · Anna Raymaker, Akshaya Kumar, Miuyin Yong Wong, Ryan Pickren et al. · Malware y amenazas
En breve: 21 oficiales de a bordo relatan GPS falsificados y ransomware en barcos, con formación y normas inadecuadas.
Barcos y puertos transportan más del 80% de las mercancías del mundo, y ataques como el de Maersk afectaron al comercio internacional. Con encuestas y entrevistas a 21 oficiales, el estudio recoge experiencias directas de GPS falsificado en alta mar y de ransomware que bloqueó la logística. Surgen problemas sistémicos: formación poco adaptada al contexto marítimo y normas fragmentadas.
Por qué importa. El riesgo cibernético marítimo une daños a la carga, interrupción del negocio y responsabilidad: las coberturas del sector deben considerar el factor humano a bordo.
4. Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
IEEE European Symposium on Security and Privacy · Tommaso Bianchi, Alessandro Brighente, Mauro Conti, Andrea Valori · Sistemas ciberfísicos e IoT
En breve: Los datos sin cifrar del bus CAN reconstruyen la ruta de un coche con un 95,75% de precisión, sin GPS.
El bus CAN de los coches intercambia en claro datos físicos sobre el movimiento. OPD-II combina un modelo físico del coche y un algoritmo de map matching para reconstruir la ruta, conociendo solo la posición y la dirección de salida, sin datos de entrenamiento ni acceso al teléfono. En cuatro coches y 59 trayectos reconstruye las coordenadas con un 95,75% de precisión media.
Por qué importa. Un dongle OBD-II, como los de la telemática, puede convertirse en rastreador: los datos de conducción deben tratarse como datos de ubicación personales.
5. One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
ACM Conference on Computer and Communications Security · Twisha Chattopadhyay, Fabrício Ceschin, Marco E. Garza, Dymytriy Zyunkin et al.
En breve: Un vídeo de la impresión 3D basta para reconstruir el G-code y robar el diseño, con un 90,87% de precisión.
Las impresoras 3D de manufactura, sanidad y defensa suelen vigilarse a distancia con cámaras. El modelo de los autores sigue los movimientos de la boquilla en el vídeo y los traduce a instrucciones G-code, deduciendo también velocidad y extrusión. Un nuevo comprobador verifica que el objeto reconstruido equivale al original; la precisión media es del 90,87%.
Por qué importa. Las cámaras de vigilancia se vuelven un canal de robo de propiedad intelectual: importa a quien fabrica diseños confidenciales por encargo.
6. 5Ghoul: Unleashing Chaos on 5G Edge Devices via Stateful Multi-Layer Fuzzing
IEEE Transactions on Dependable and Secure Computing · Matheus E. Garbelini, Zewen Shang, Shijie Luo, Sudipta Chattopadhyay et al. · Seguridad de sistemas y software
En breve: El fuzzing por radio de teléfonos y módems 5G halla 12 fallos desconocidos, con diez CVE en Qualcomm y MediaTek.
5Ghoul controla y manipula en tiempo real cada paquete hasta la capa de enlace, construye automáticamente las máquinas de estados del protocolo y explota los fallos por radio en dispositivos comerciales. En siete teléfonos y módems USB 5G y un framework abierto halla 12 vulnerabilidades desconocidas; diez afectan a dispositivos de grandes proveedores como Qualcomm y MediaTek.
Por qué importa. Los mismos chips 5G están en millones de teléfonos y routers de varias marcas: un fallo en el chip acumula exposición más allá de un solo fabricante.
7. Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
ACM Conference on Computer and Communications Security · Michael A. Specter, Mihai Christodorescu, Abbie Farr, Bo Ma et al. · Web y móvil
En breve: Solo el 30,56% del fingerprinting en apps Android viene de SDK publicitarios; casi un cuarto, de SDK de fin desconocido.
El mayor análisis del comportamiento de SDK hasta la fecha abarca más de 228.000 SDK y 178.000 apps Android y detecta el envío de más de 500 señales distintas. Los SDK publicitarios, en los que se centran App Tracking Transparency y Privacy Sandbox, explican solo el 30,56% del fingerprinting; el 23,92% procede de SDK con fin desconocido o poco claro.
Por qué importa. Regular solo la publicidad deja abierta gran parte del rastreo: quien publica apps sigue expuesto por bibliotecas que no controla.
8. LeapFrog: The Rowhammer Instruction Skip Attack
IEEE European Symposium on Security and Privacy · Andrew Adiletta, M. Caner Tol, Kemal Derya, Berk Sunar et al. · Hardware y canales laterales
En breve: Rowhammer altera la dirección de retorno en la pila para saltarse controles de autenticación o pasos de cifrado.
LeapFrog es un nuevo tipo de gadget Rowhammer: cuando el código guarda en la pila la dirección de retorno, un fallo inducido la desplaza más allá de un bloque crítico, como un control de autenticación o rondas de cifrado. Los autores proponen un método para hallarlos automáticamente, eluden el cifrado en OpenSSL revelando el texto en claro y analizan la biblioteca Open Quantum Safe.
Por qué importa. Un defecto de memoria puede anular un control de seguridad bien escrito: en servidores compartidos es un riesgo que el software por sí solo no elimina.
9. Identity Deepfake Threats to Biometric Authentication Systems: Public and Expert Perspectives
arXiv · Shijing He, Yaxiong Lei, Zihan Zhang, Yuzhou Sun et al. · Identidad y autenticación
En breve: 408 profesionales y 37 entrevistas: los expertos temen los deepfakes contra rostro y voz; el público confía en la biometría.
El estudio combina una encuesta a 408 profesionales y 37 entrevistas a expertos y no expertos. Surge una paradoja: el público usa cada vez más la biometría por comodidad, mientras los expertos temen la falsificación de rostro y voz con IA generativa; el sector financiero es el más escéptico. Se propone una Deepfake Kill Chain y defensas con señales dinámicas como los movimientos oculares.
Por qué importa. Bancos y aseguradoras usan rostro y voz para autenticar clientes: el riesgo de fraude de identidad con deepfakes debe evaluarse en esos procesos.
10. MalGuard: Towards Real-Time, Accurate, and Actionable Detection of Malicious Packages in PyPI Ecosystem
USENIX Security Symposium · Gao, Xingan, Xiaobing Sun, Sicong Cao, Kaifeng Huang et al. · Cadena de suministro de software
En breve: MalGuard detecta paquetes PyPI maliciosos con modelos ligeros y explica por qué un paquete es sospechoso.
La detección de paquetes maliciosos en PyPI usa modelos cada vez más complejos y lentos. Los autores muestran que un conjunto de rasgos suficientemente completo permite también a los modelos tradicionales rendir muy bien. MalGuard halla automáticamente las API sensibles con análisis de centralidad de grafos, las afina con un LLM y usa LIME para explicar cada detección. Supera seis referencias.
Por qué importa. Una detección rápida y explicable de paquetes maliciosos es un control realista para quien usa dependencias open source en producción.
Las tendencias del mes
Sistemas ciberfísicos e IoT
42 artículos del mes sobre este tema
El mes mira los sistemas físicos desde ángulos poco habituales. Los oficiales de a bordo confirman que el GPS falsificado y el ransomware en los barcos ya son reales, el bus CAN de un coche revela por dónde se condujo y las cámaras que vigilan una impresora 3D bastan para copiar el diseño. En los tres casos el dato sensible sale por un componente pensado para otra cosa.
Artículos citados:
- A Sea of Cyber Threats: Maritime Cybersecurity from the Perspective of Mariners
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
- One Video to Steal Them All: 3D-Printing IP Theft through Optical Side-Channels
Seguridad de IA y LLM
292 artículos del mes sobre este tema
Con 292 de 1.447 artículos, la seguridad de la IA sigue siendo el primer tema. Los agentes que controlan navegadores y ordenadores siguen instrucciones escritas en la interfaz, y los modelos ajustados con datos propios dejan extraer esos datos comparándolos con el modelo base. Cuanto más se acerca la IA a datos y permisos reales, más operativo se vuelve el riesgo.
Artículos citados:
- VPI-Bench: Visual Prompt Injection Attacks for Computer-Use Agents
- Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
Privacidad
74 artículos del mes sobre este tema
El rastreo no pasa solo por la publicidad. En los SDK Android la mayor parte del fingerprinting procede de bibliotecas no publicitarias, a menudo de fin poco claro, y los datos de conducción leídos por un dongle OBD-II bastan para reconstruir rutas. Las normas pensadas para un solo sector dejan sin cubrir la mayor parte de la recogida.
Artículos citados:
- Fingerprinting SDKs for Mobile Apps and Where to Find Them: Understanding the Market for Device Fingerprinting
- Your Car Tells Me Where You Drove: A Novel Path Inference Attack via CAN Bus and OBD-II Data
Cómo se elabora este digest
Este número forma parte del archivo del digest, reconstruido a posteriori. Los artículos del mes se recopilaron de arXiv, del archivo IACR ePrint y de las principales conferencias y revistas de seguridad; en la selección cuentan también las citas recibidas tras la publicación. Un modelo de inteligencia artificial evaluó a los candidatos y redactó los resúmenes, que se basan en los abstracts: para los detalles, prevalece el artículo original.
Artículos del mes evaluados: 1447.