{"id":22056,"date":"2021-06-03T09:15:34","date_gmt":"2021-06-03T15:15:34","guid":{"rendered":"https:\/\/latam.kaspersky.com\/blog\/?p=22056"},"modified":"2021-06-03T09:25:08","modified_gmt":"2021-06-03T15:25:08","slug":"peru-brasil-y-mexico-top3-paises-latinoamericanos-en-deteccion-de-objetos-maliciosos-en-equipos-industriales","status":"publish","type":"post","link":"https:\/\/latam.kaspersky.com\/blog\/peru-brasil-y-mexico-top3-paises-latinoamericanos-en-deteccion-de-objetos-maliciosos-en-equipos-industriales\/22056\/","title":{"rendered":"Per\u00fa, Brasil y M\u00e9xico, Top3 pa\u00edses latinoamericanos en detecci\u00f3n de objetos maliciosos en equipos industriales"},"content":{"rendered":"
Conoce Machine Learning for Anomaly Detection, una soluci\u00f3n dise\u00f1ada para detectar desviaciones en los procesos productivos en fase temprana. Este sistema cuenta con algoritmos de aprendizaje autom\u00e1tico que analizan la telemetr\u00eda de los sensores de la maquinaria y advierten del mal funcionamiento de la misma enviando alertas cuanto los par\u00e1metros del proceso de fabricaci\u00f3n (tags) se comportan de forma inesperada. Esta soluci\u00f3n proporciona una interfaz gr\u00e1fica rica en funciones para el an\u00e1lisis detallado de las anomal\u00edas, as\u00ed como herramientas que permiten integrar el producto con los sistemas existentes, para enviar alertas al cuadro de mandos de los operadores.<\/p>\n
En los entornos industriales es fundamental mantener el proceso tecnol\u00f3gico de forma \u00f3ptima y evitar todo tipo de interrupciones, tales como el mal funcionamiento de los equipos, errores de los operadores o ciberataques a los sistemas de control industrial. Si algo va mal, la detecci\u00f3n temprana puede evitar la interrupci\u00f3n y, por tanto, reducir el coste del tiempo de inactividad, el desperdicio de materias primas o incluso consecuencias m\u00e1s graves. Seg\u00fan nuestras estimaciones, una reducci\u00f3n del 50% del tiempo de inactividad permite un ahorro anual de hasta 1 mill\u00f3n de d\u00f3lares para una gran central el\u00e9ctrica o 2,5 millones de d\u00f3lares en una refiner\u00eda de petr\u00f3leo.<\/p>\n
Durante el primer trimestre del a\u00f1o en curso, Kaspersky detect\u00f3 objetos maliciosos en m\u00e1s del 26% de los equipos industriales de todo el mundo, porcentaje que se incrementa hasta el 32% en las industrias de petr\u00f3leo y gas. Las fuentes de amenazas m\u00e1s bloqueadas fueron recursos de Internet (15%), scripts maliciosos (8%) y spyware (8%).<\/p>\n
En cuanto a los pa\u00edses m\u00e1s afectados, China, Indonesia y Vietnam lideran la clasificaci\u00f3n. En Am\u00e9rica Latina, Per\u00fa fue el pa\u00eds en el que se detect\u00f3 un mayor n\u00famero de objetos maliciosos, seguido de Brasil, M\u00e9xico, Colombia y Ecuador.<\/p>\n
La red neuronal de Kaspersky Machine Learning for Anomaly Detection analiza en tiempo real la telemetr\u00eda de distintos sensores del proceso de producci\u00f3n. Detecta peque\u00f1as desviaciones, como un cambio en la din\u00e1mica o las correlaciones de las se\u00f1ales, y emite alertas antes de que los valores alcancen su umbral l\u00edmite y afecten al rendimiento. Esto permite a los operarios de la planta tomar medidas preventivas. Para poder detectar anomal\u00edas, la red neuronal aprende del comportamiento normal de la m\u00e1quina a partir de los datos hist\u00f3ricos de telemetr\u00eda. Si un par\u00e1metro del proceso de producci\u00f3n cambia (por ejemplo, se introduce un nuevo tipo de materia prima) o se sustituye una pieza de la m\u00e1quina, un operario puede actualizarlo en el algoritmo para actualizar la red neuronal. Adem\u00e1s de un detector basado en aprendizaje autom\u00e1tico, se pueden a\u00f1adir reglas de diagn\u00f3stico personalizadas para casos espec\u00edficos si as\u00ed lo requiere el cliente.<\/p>\n
Kaspersky Machine Learning for Anomaly Detection funciona sobre la infraestructura existente de la planta y no requiere la instalaci\u00f3n de sensores adicionales. Para obtener datos e informar de las anomal\u00edas, la soluci\u00f3n se conecta a sistemas de control industrial como SCADA. Tambi\u00e9n puede integrarse con Kaspersky Industrial CyberSecurity for Networks. El producto soporta de forma nativa protocolos como OPC UA, MQTT, AMQP, as\u00ed como REST, lo que lo hace aplicable a sistemas con equipos diversos.<\/p>\n
Kaspersky MLAD proporciona una interfaz gr\u00e1fica para el an\u00e1lisis de las anomal\u00edas detectadas. Gracias a los gr\u00e1ficos de tiempo de los procesos monitorizados, un experto puede ver qu\u00e9 ha fallado, cu\u00e1ndo y en qu\u00e9 parte del sistema.<\/p>\n
Interfaz de Kaspersky Machine Learning for Anomaly Detection: el informe muestra c\u00f3mo cambian los par\u00e1metros del proceso de fabricaci\u00f3n en tiempo real y muestra una anomal\u00eda <\/em><\/p>\n
\u201cLos algoritmos avanzados de aprendizaje autom\u00e1tico y la capacidad de adaptarse a procesos industriales concretos hacen de Kaspersky Machine Learning for Anomaly Detection una herramienta esencial para garantizar una producci\u00f3n sin problemas. Complementa los sistemas de monitorizaci\u00f3n y la experiencia de los operadores de m\u00e1quinas con la capacidad de detectar anomal\u00edas en un entorno complejo. Las alertas tempranas previenen los tiempos de inactividad, las aver\u00edas de los equipos y los accidentes sin importar cu\u00e1l sea la causa de las desviaciones. Llevamos varios a\u00f1os desarrollando la tecnolog\u00eda y nos complace anunciar la disponibilidad general del producto completo para ayudar a los clientes a lograr todos estos beneficios<\/em>\u201c, comenta Andrey Lavrentyev, Jefe del Departamento de Investigaci\u00f3n Tecnol\u00f3gica en Kaspersky. <\/strong><\/p>\n
![\"\"](\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/87\/2021\/06\/03090706\/Capture.jpg\")
La red neuronal de Kaspersky Machine Learning for Anomaly Detection analiza en tiempo real la telemetr\u00eda de distintos sensores del proceso de producci\u00f3n. Detecta peque\u00f1as desviaciones, como un cambio en la din\u00e1mica o las correlaciones de las se\u00f1ales, y emite alertas antes de que los valores alcancen su umbral l\u00edmite y afecten al rendimiento. Esto permite a los operarios de la planta tomar medidas preventivas. Para poder detectar anomal\u00edas, la red neuronal aprende del comportamiento normal de la m\u00e1quina a partir de los datos hist\u00f3ricos de telemetr\u00eda. Si un par\u00e1metro del proceso de producci\u00f3n cambia (por ejemplo, se introduce un nuevo tipo de materia prima) o se sustituye una pieza de la m\u00e1quina, un operario puede actualizarlo en el algoritmo para actualizar la red neuronal. Adem\u00e1s de un detector basado en aprendizaje autom\u00e1tico, se pueden a\u00f1adir reglas de diagn\u00f3stico personalizadas para casos espec\u00edficos si as\u00ed lo requiere el cliente.<\/p>\n![\"\"](\"https:\/\/media.kasperskydaily.com\/wp-content\/uploads\/sites\/87\/2021\/06\/03090809\/1.png\")
Interfaz de Kaspersky Machine Learning for Anomaly Detection: el informe muestra c\u00f3mo cambian los par\u00e1metros del proceso de fabricaci\u00f3n en tiempo real y muestra una anomal\u00eda <\/em><\/p>\n