Modelos de análisis y detección

Este modelo crea un perfil único y personalizado para cada usuario, basado en su forma habitual de interactuar con el dispositivo. Al conocer sus patrones normales de uso, el sistema puede detectar cualquier comportamiento inusual que podría indicar que otra persona está accediendo al sistema sin autorización.

Información Recolectada del Usuario

Comportamiento del Usuario

• Uso del dispositivo celular: Forma específica de manipulación
• Forma de sostener el celular: Patrones únicos de agarre
• Uso del teclado: Velocidad, ritmo y presión de escritura

Información de Ubicación

• Ubicación del usuario: Coordenadas GPS y ubicación aproximada
• Red utilizada: Conectividad celular y Wi-Fi
• Redes Wi-Fi: Historial y redes cercanas disponibles

Información del Dispositivo

• Tamaño de pantalla: Resolución y configuración
• Preferencias de tema: Color, tamaño de fuente, configuraciones visuales
• Modelo y marca: Especificaciones técnicas del dispositivo
• Identificadores únicos: Metadatos del dispositivo

Análisis Biométrico Comportamental

Enfoque Estricto

• Uso de pantalla táctil: Patrones de deslizamiento y presión
• Uso del mouse: Movimientos y clics característicos
• Uso del teclado: Dinámicas de escritura y atajos
• Velocidad de escritura: Ritmo y pausas personalizadas
• Uso de atajos: Preferencias de navegación
• Tamaño de huella dactilar: Biometría física única
• Tamaño del dedo: Área de contacto en pantalla
• Movimiento del celular: Patrones de acelerómetro durante uso

Enfoque Amplio

• Preferencias de tema: Configuraciones de color y tamaño de fuente
• Ubicación de uso: Patrones geográficos habituales
• Tipo de dispositivo: Android o iOS, preferencias de ecosistema
• Navegador utilizado: Preferencias de software
• Operador celular: Proveedor de servicios habitual
• Aplicaciones instaladas: Ecosistema de software personal

Modelos Generales de Comportamiento

Contamos con modelos entrenados con millones de interacciones reales que ayudan a diferenciar entre comportamientos típicos de usuarios legítimos y aquellos que son característicos de acciones fraudulentas. Esto permite identificar comportamientos sospechosos, incluso si nunca antes se habían visto en el sistema.

Análisis Comparativo de Comportamientos

Patrón de Interacción	Comportamiento Fraudulento	Comportamiento de Usuario Legítimo
Alternar entre aplicaciones	Múltiples veces	Nunca
Ingreso de DNI/ID	Pegar texto / Tipeo alternado	Tipeo manual normal
Navegación en formularios	Uso de teclado	Uso de mouse

Ejemplo: Análisis de Pausas Durante Escritura

Gráfico de Pausas Máximas Durante Escritura del DNI

Interpretación:

• Usuarios Legítimos: Pausas distribuidas naturalmente

• Usuarios Fraudulentos: 95% presenta pausas extremas (>2 segundos), indicativo de consulta externa

Análisis de Uso de DNI con Pegar/Copiar

Gráfico de Detección de Pegado de DNI

Gráfico Izquierdo - "SSN Paste" (Pegado de SSN):

• Fraud (Fraude): 99.7% - Representado en color rojo oscuro

• Genuine (Genuino): 0.3% - Representado en color rojo claro/rosado

• Muestra que cuando se detecta pegado de número de identificación, casi la totalidad de los casos (99.7%) son fraudulentos

Gráfico Derecho - "SSN Paste - First time for an existing user" (Pegado de SSN - Primera vez para usuario existente):

• Fraud (Fraude): 100.0% - Representado completamente en color rojo

• Genuine (Genuino): 0.0% - Sin representación visual

• Muestra que cuando un usuario existente utiliza "pegar" por primera vez, el 100% de los casos son fraudulentos

Modelos de Comportamiento para Defraudadores Identificados

A través del análisis histórico, se han identificado patrones comunes en personas que previamente han intentado realizar fraudes. Estos modelos almacenan y actualizan de forma continua esta información, lo que permite detectar cuando un intento de acceso o transacción se asemeja al comportamiento de estos defraudadores conocidos.

Indicadores Específicos para Estafas de Transferencia

Indicador	Valor	Prevalencia Relativa	Prevalencia en Fraude	Fuerza de Indicación
Transferencia de cuenta limpia	Sí	0.4%	98.7%	67
Múltiples cambios posición teléfono-oído	Sí	1.5%	67.7%	58
Nuevo beneficiario	Sí	0.24%	98.7%	46
Estado de llamada durante login	EN CURSO	2.3%	68.3%	35
Usuario senior	Verdadero	17.2%	93.2%	18

Indicadores de Teléfono Robado

Indicador	Valor	Prevalencia Relativa	Prevalencia en Fraude	Fuerza de Indicación
Nombre Wi-Fi	Azizi 423	0%	64.2%	999
Señal Bluetooth	46542342134	0%	34.7%	999
ID de ubicación	642547854652321	0.05%	34.2%	750
Nuevo ISP	Verdadero	0.4%	88.3%	574
Estado SIM	No SIM detectada	0.03%	64.7%	67
Nueva ubicación	Verdadero	4%	66.7%	65
Nuevo beneficiario	Sí	0.24%	98.7%	46

---

Modelos Adicionales

Detección de Malware

Permite identificar comportamientos que podrían estar siendo generados por software malicioso instalado en el dispositivo.

Indicadores Técnicos:

• Patrones de automatización perfecta
• Timing inhumano en interacciones
• Secuencias repetitivas de acciones
• Acceso a recursos del sistema sin intervención del usuario

Detección de Bots

Diferencia entre un humano y un sistema automático, lo que es clave para prevenir fraudes automatizados.

Características de Detección:

• Análisis de entropía en movimientos
• Patrones de timing demasiado consistentes
• Ausencia de micro-movimientos naturales
• Secuencias de acciones predecibles

Análisis de Riesgo por Actividad

Evalúa el riesgo de una acción específica (como una transferencia o un inicio de sesión) considerando el contexto en el que se realiza.

Factores Contextuales:

• Horario de la transacción
• Monto involucrado
• Tipo de beneficiario
• Historial de transacciones similares

Análisis de Conexiones

Analiza las relaciones entre usuarios, dispositivos y redes para detectar patrones organizados de fraude.

Métricas de Conexión:

• Usuarios compartiendo infraestructura de red
• Dispositivos utilizados por múltiples identidades
• Patrones temporales coordinados
• Ubicaciones físicas compartidas

---

Sistema de Puntuación Unificada (Score Integrado)

Toda la información recolectada se analiza con inteligencia artificial para generar un puntaje o "score" de riesgo que va de 0 a 1000. Este score indica la probabilidad de que una acción sea fraudulenta. A mayor puntuación, mayor es el riesgo.

Componentes del Score

Descripción:

DistribuciónEste Estadísticagráfico delmuestra Score

la

Gráficodistribución de Distribuciónlos scores de Scores

riesgo

calculados por el sistema de IA que integra todos los modelos de detección de fraude.

Explicación detallada:

Eje X: Rangos de Riesgoscores de riesgo (≥0, ≥200, ≥500, ≥800, ≥900, ≥950, ≥980, ≥990)

Eje Y izquierdo: Cantidad de casos (hasta 120)

Eje Y derecho: Porcentaje acumulativo (hasta 100%)

Barras naranjas: Muestran la cantidad de sesiones en cada rango de score

Línea naranja: Representa el porcentaje acumulativo

Interpretación: La mayoría de las sesiones (100 casos) tienen scores bajos (≥0), indicando comportamiento normal. Conforme aumenta el score, disminuye drasticamente el número de casos, siendo muy pocas las sesiones con scores altos (≥980, ≥990) que indican alto riesgo de fraude.

Rango	Nivel de Riesgo

Color Porcentaje de Población Acción Recomendada 0 - 200 Muy bajo Verde 55.6% Proceder normalmente 201 - 400 Bajo Verde claro 27.7% Monitoreo estándar 401 - 600 Medio Amarillo 11.1% Verificación adicional 601 - 800 Alto Naranja 2.8% Autenticación reforzada 801 - 1000 Muy alto Rojo 2.8% Bloqueo/Revisión manual

---

ANÁLISIS

VisualizacionesDE yDIFERENCIAS AnálisisEN Gráfico

TAMAÑO

DistribuciónDE HUELLA DACTILAR

 El gráfico presenta un análisis de Scoresdispersión

Estaque gráficamide muestrael cuáles son los puntajestamaño de riesgola máshuella comunesdactilar entredetectada losdurante usuarios.el Ayudauso adel definirdispositivo límitesmóvil. adecuadosEsta paramétrica tomar decisiones seguras sin afectar a usuarios legítimos.

Análisis Relacional de Fraude

Un grafo de red permite ver cómo se conectan diferentes usuarios, dispositivos y sesiones. Estobiométrica permite identificar posiblessi redesel usuario actual corresponde al propietario legítimo del dispositivo.

Características del Gráfico:

Título: "Finger size" Eje X: Secuencia temporal de fraudemediciones donde varias personas actúan(escala de forma2 coordinada.a

Diagrama10)

Eje Y: Tamaño relativo de Redla huella dactilar (escala de Conexiones0.00

a

Indicadores1.00)

dePuntos ComportamientoNegros:

EstosRepresentan gráficossesiones comparanidentificadas elcomo comportamientofraudulentas

Puntos Naranjas: Representan sesiones de usuarios legítimos con el

Interpretación de defraudadoresPatrones

Sesiones de Usuarios Legítimos (Puntos Naranjas)

Rango de valores: 0.00 - 0.40 Características observadas:

Consistencia en dimensiones como velocidad de escritura,el tamaño de huella a lo largo de toda la sesión Variación mínima entre mediciones sucesivas Agrupación de valores en rangos específicos que corresponden al usuario registrado Estabilidad temporal que refleja el uso natural del dispositivo

Significado: Los usuarios legítimos mantienen un tamaño de huella constante porque utilizan consistentemente los mismos dedos y con la misma presión habitual.

Sesiones Fraudulentas (Puntos Negros)

Rango de valores: 0.50 - 1.00 Características observadas:

Mayor variabilidad en el tamaño de huella Valores significativamente diferentes al perfil biométrico registrado Inconsistencia entre mediciones dentro de la misma sesión Tendencia hacia valores más altos que sugieren diferencias físicas

Significado: Los defraudadores presentan huellas de tamaño diferente al usuario legítimo, lo que indica que se trata de una persona física distinta utilizando el dispositivo.

Aplicación Práctica

Detección de Uso No Autorizado: El sistema puede identificar inmediatamente cuando una persona diferente al propietario registrado está utilizando el dispositivo, basándose en las diferencias anatómicas naturales entre individuos.

Casos de Detección:

Dispositivos robados siendo utilizados por terceros Acceso no autorizado por familiares o pausasconocidos Uso fraudulento después de pérdida del dispositivo Suplantación de identidad con dispositivos comprometidos

ANÁLISIS DE MOVIMIENTOS DEL CELULAR

 

 

 

 

 

 

 

La forma en que las personas sostienen y mueven sus dispositivos móviles durante lael actividad.

uso

Gráfico:constituye Diferenciasuna enfirma Tamañobiométrica deúnica Huellay Digital

personal.

Gráfico: Movimientos del Acelerómetro

Dashboard de Monitoreo en Tiempo Real

Es un panel de control que permite ver información clave como la cantidad de transacciones por minuto, alertas activas o ubicaciones sospechosas en tiempo real.

Métricas del Dashboard

Análisis Temporal de Patrones

Esta herramienta muestra cómo evolucionan losEstos patrones de fraudemovimiento reflejan hábitos motores inconscientes que son extremadamente difíciles de replicar por personas no autorizadas.

Gráfico 1: Acelerómetro Durante Toque de Botón

Descripción Técnica

Este gráfico analiza las lecturas del acelerómetro del dispositivo específicamente en los momentos cuando el usuario realiza toques en botones de la interfaz.

Estructura del Gráfico:

Medición: Intensidad de movimiento captada por sensores de aceleración Eje Temporal: Secuencia de eventos de toque (2 a 10) Eje de Intensidad: Magnitud del movimiento (0.00 a 1.00) Diferenciación: Puntos negros para fraude, naranjas para usuarios legítimos

Usuarios Legítimos:

Rango de movimiento: 0.00 - 0.50 Patrón característico: Movimientos controlados y predecibles Estabilidad: Variaciones mínimas entre toques sucesivos Explicación: Los usuarios familiares con su dispositivo desarrollan patrones motores automáticos que resultan en movimientos económicos y precisos

Usuarios Fraudulentos:

Rango de movimiento: 0.50 - 1.00 Patrón característico: Movimientos erráticos e impredecibles Inestabilidad: Gran variación entre diferentes acciones Explicación: La falta de familiaridad con el tiempo,dispositivo logenera movimientos compensatorios, nerviosismo y patrones motores atípicos

Gráfico 2: Pausa Máxima de Actividad Durante Sesión

Este análisis mide los intervalos de inactividad más prolongados que ayudaocurren adurante preveruna futuras amenazas.

Gráfico: Edadsesión de Ubicaciónuso vs.del Tipodispositivo, deproporcionando Sesión

información

sobre

los procesos cognitivos del usuario.

Interpretación:Estructura del Gráfico:

Las

sesionesMedición: fraudulentasDuración sede concentranpausas en ubicacionessegundos nuevasEje (edadTemporal: 0-1 días), mientras que las legítimas utilizan ubicaciones establecidas (>14 días).

---

Casos de Uso y Ejemplos de Detección

Teléfono Robado

Cuando se detectan cambios repentinos como una nueva red Wi-Fi, dirección IP desconocida o faltaProgresión de la SIMsesión habitual,(2 ela sistema puede inferir que el teléfono fue robado.

Indicadores Cuantitativos:

Nueva red Wi-Fi: 0% prevalencia normal, 64.2% en fraudes10) NuevoEje ISP:de 0.4%Duración: prevalenciaTiempo normal,de 88.3%pausa enmáxima fraudes(0 a 6 segundos) SinDiferenciación: SIMPuntos detectada:negros 0.03%para prevalenciafraude, normal,naranjas 64.7%para enusuarios fraudeslegítimos

EstafasAnálisis de TransferenciaComportamientos Cognitivos

IndicadoresUsuarios como la aparición de un nuevo beneficiario, movimientos inusuales del dispositivo o una llamada activa durante el inicio de sesión pueden alertar sobre una posible estafa.Legítimos:

Indicadores Cuantitativos:

• NuevoRango beneficiario:de 0.24%pausas: prevalencia0 normal,- 98.7%1.5 en fraudessegundos
• LlamadaCaracterísticas: duranteFlujo login:continuo 2.3%y prevalencianatural normal,de 68.3% en fraudesinteracción
• Procesamiento: Acceso inmediato a información personal memorizada

Navegación: Conocimiento intuitivo de la interfaz y procesos

UsuarioUsuarios seniorFraudulentos:

objetivo:

17.2%Rango poblaciónde general,pausas: 93.2%1.5 en- estafas6+ segundos Características: Interrupciones prolongadas y frecuentes Procesamiento: Necesidad de búsqueda, verificación o consulta externa Navegación: Incertidumbre sobre procedimientos y datos requeridos

EvaluaciónCasos GeneralEspeciales dey ComportamientoExcepciones

Múltiples

Situaciones Atípicas en Usuarios en Mismo Dispositivo

Análisis Relacional Avanzado

Identificación de VínculosLegítimos

El sistema identificaestá relacionesdiseñado entrepara usuarios,reconocer dispositivos,circunstancias redesexcepcionales ydonde comportamientosel quepropietario podríanlegítimo parecerpuede aislados, pero que juntos revelanexhibir patrones sospechosos.

Diagrama: Huella del Usuario

anómalos:

DetecciónCondiciones de Estructuras de Fraude Organizadas

Cuando varios usuarios comparten una red Wi-Fi, proveedor de internet o patrones comunes, el sistema puede reconocer que forman parte de una red organizada de fraude.

Aplicación de Grafos de Conexión

Se representan visualmente relaciones como:Estrés:

• UsuariosSituaciones diferentesde conectadosemergencia aque laalteran mismacomportamiento red Wi-Fimotor
• UnPresión mismotemporal comportamientoque enafecta diferentespatrones dispositivoshabituales
• DispositivosCircunstancias compartidosde entreriesgo diferentesque ubicacionesgeneran nerviosismo

Alertas

Condiciones Inteligentes

Se generan alertas automáticas cuando el sistema detecta patrones sospechosos que podrían pasar desapercibidos si se observaran de manera individual.Físicas:

---

Arquitectura Técnica Cloud-Native

Componentes Principales

Nuestra plataforma funciona sobre infraestructura moderna y flexible:

Tecnologías Core

• Backend:Lesiones Desplegadotemporales en Kubernetesmanos sobreo Azurededos
• Almacenamiento:Efectos Azurede Blobmedicación Storageque paraafectan datos seguroscoordinación
• BaseFatiga deextrema datos:que MongoDBaltera NoSQLprecisión para escalabilidad

Procesamiento: Apache Spark para big data Modelos de IA: TensorFlow y PyTorch Integración: API Gateway Kong para servicios Monitoreo: Prometheus y Grafana para observabilidadmotora

Diagrama

Condiciones Ambientales:

Uso durante transporte que introduce vibraciones externas Condiciones climáticas que afectan manipulación del dispositivo Iluminación deficiente que requiere mayor concentración

Detección Inmediata: El análisis de Arquitecturamovimientos

proporciona

Flujoevaluación de Procesamiento

Recolección: Se recolecta informaciónriesgo en tiempo real desde los primeros segundos de interacción, sin requerir completar transacciones o procesos específicos.

Invisibilidad para el dispositivoUsuario: La recopilación de datos biométricos de movimiento ocurre de manera transparente durante el uso normal, sin generar fricción adicional en la experiencia del usuario

usuario. Procesamiento:

Resistencia a Falsificación: Los datos se procesan con modelospatrones de inteligenciamovimiento artificial

son Combinación: Se combinan los resultadosresultado de losaños distintosde modelosdesarrollo paramotor calcularpersonal, unhaciéndolos scoreextremadamente Respuesta:difíciles de replicar conscientemente por actores maliciosos.

Adaptabilidad Contextual: El sistema responde en menos de 100 milisegundos para permitir decisiones en tiempo real

Diagrama de Flujo

---

Mejores Prácticasaprende y Recomendaciones

se

Para Empresas

Autenticación Adaptativa

Utilizar autenticación adaptativa basada en el score de riesgo

Score 0-200: Acceso directo Score 201-400: Verificación ligera Score 401-600: Autenticación de dos factores Score 601-800: Verificación reforzada Score 801-1000: Bloqueo temporal

Configuración de Umbrales

Ajustar los umbrales de decisión según la sensibilidad del negocio

Sector financiero: Umbrales más bajos (>400) E-commerce: Umbrales balanceados (>600) Redes sociales: Umbrales más altos (>800)

Mejora Continua

Revisar periódicamente los patrones detectados para afinar el sistema Retroalimentar los modelos con los resultados obtenidos para que aprendan y evolucionen

Para Lograr una Detección Efectiva

Monitoreo Proactivo

Prestar atenciónadapta a cambioslas repentinosvariaciones en el comportamientonaturales del usuario Validarlegítimo, cuidadosamentemejorando nuevossu dispositivosprecisión ocon ubicacionesel Correlacionartiempo variosmientras indicadoresmantiene antes de bloquear una sesión

Balance Operacional

Mantener un equilibrio entre seguridad y experiencia del usuario Establecer procesos de escalaciónsensibilidad para casosdetectar complejosuso Documentarno yautorizado. aprender

de

 falsos positivos y negativos

Métricas de Efectividad

Métrica Objetivo Valor Actual Tasa de Detección de Fraude >95% 97.2% Tasa de Falsos Positivos <2% 1.4% Tiempo de Respuesta <100ms 87ms Disponibilidad del Sistema >99.9% 99.97%