Los secuestros de rutas BGP continúan representando un riesgo para la seguridad y estabilidad de Internet, mientras que la adopción de mecanismos como RPKI sigue siendo incompleta en América Latina y el Caribe. En la actualidad, la región carece de un sistema que observe estos incidentes con una perspectiva local, notifique de manera proactiva a las redes afectadas y permita identificar patrones de reincidencia. BGP-TI LAC plantea un observatorio regional automatizado que utiliza fuentes públicas para detectar y clasificar anuncios BGP anómalos casi en tiempo real, incorporando información sobre titularidad, validación RPKI, topología e historial. El sistema también prevé notificaciones dirigidas a las redes afectadas y a los CSIRT correspondientes, junto con evidencia técnica y orientación para fortalecer la protección mediante RPKI. El proyecto busca convertir esta evidencia en una herramienta abierta, automatizada y reutilizable que contribuya a mejorar la visibilidad regional y fortalecer la seguridad del enrutamiento en América Latina y el Caribe.
Los operadores WAN de América Latina y el Caribe enfrentan desafíos asociados a restricciones presupuestarias, disponibilidad limitada de personal especializado y dependencia de soluciones comerciales para automatizar la gestión de red. En este contexto, el uso de modelos de lenguaje como servicio en la nube también puede introducir costos recurrentes, dependencia de conectividad externa y riesgos vinculados con la soberanía de los datos. Esta investigación explora el uso de un Large Action Model ejecutado localmente para interpretar instrucciones en lenguaje natural y convertirlas en acciones concretas sobre infraestructura WAN. El trabajo se desarrollará sobre una plataforma reproducible de experimentación y evaluará distintos niveles de complejidad, desde diagnóstico y ajustes de configuración hasta ingeniería de tráfico y respuesta a incidentes.
El proyecto propone desarrollar un ecosistema descentralizado y de código abierto para optimizar y proteger redes Wi-Fi mediante técnicas de Aprendizaje Federado implementadas directamente en routers comerciales de bajo costo con OpenWrt. Cada router podrá aprender localmente a partir del comportamiento de la red, sin compartir datos sensibles de los usuarios, y contribuir a la construcción de un modelo global que permita mejorar el rendimiento, la eficiencia energética y la seguridad del conjunto de la red. La solución contempla casos de uso como la optimización del consumo energético y de la calidad de experiencia (QoE), así como la detección y mitigación autónoma de ataques DoS/DDoS desde el borde. Su validación se realiza en infraestructuras Wi-Fi universitarias, con el objetivo de generar una tecnología accesible y aplicable a escuelas, centros y redes comunitarias de América Latina.
Los ataques de ransomware y DDoS se encuentran entre las principales amenazas para la seguridad digital a nivel global y presentan una incidencia creciente en América Latina, donde organizaciones y proveedores enfrentan además limitaciones en el acceso a mecanismos avanzados de protección. La investigación se centra en el uso de Inteligencia Artificial para mejorar la detección de este tipo de ataques, combinando técnicas de Machine Learning, Deep Learning e IA generativa. El trabajo utilizará también datos reales de tráfico y buscará validar los resultados en entornos vinculados directamente con la industria. La iniciativa articula capacidades académicas y empresariales de México y Brasil, con el objetivo de trasladar resultados de investigación a escenarios reales y contribuir a reducir interrupciones, pérdidas económicas y riesgos asociados a ataques DDoS y ransomware.
El aumento de las órdenes de bloqueo de sitios y aplicaciones plantea nuevos desafíos para la estabilidad de Internet en América Latina. Cuando estas medidas se implementan directamente sobre direcciones IP, pueden afectar de manera involuntaria a numerosos servicios legítimos que comparten la misma infraestructura. Esta investigación busca medir y comprender ese impacto colateral a partir de observaciones realizadas en distintos proveedores de Internet, identificando cómo se aplican los bloqueos, dónde se producen y qué efectos generan sobre otros contenidos y servicios. A partir de estas evidencias, el proyecto apunta a mejorar la visibilidad sobre este tipo de intervenciones y aportar información técnica que contribuya al diálogo entre operadores y autoridades, favoreciendo medidas más precisas y con menor impacto sobre la estabilidad y resiliencia de Internet en la región.
La seguridad del enrutamiento BGP continúa siendo un desafío para los proveedores de Internet, especialmente para aquellos que cuentan con recursos técnicos y económicos más limitados. En la región LACNIC, la adopción de mecanismos como RPKI/ROV y ASPA sigue siendo desigual, mientras que la transición hacia tecnologías criptográficas poscuánticas plantea nuevos desafíos para la infraestructura de red. PRTR busca contribuir a reducir estas barreras mediante una plataforma abierta y accesible que permita experimentar, validar y desplegar mecanismos de seguridad de enrutamiento en entornos reales. El proyecto combinará pruebas de validación BGP, evaluaciones de tecnologías poscuánticas y documentación orientada a operadores, con especial foco en las necesidades de pequeños y medianos ISP de América Latina y el Caribe.
La propuesta tiene como objetivo desarrollar mecanismos que permitan a los operadores de red verificar de forma sistemática la correcta configuración de filtros BGP, utilizados para prevenir fugas de rutas y secuestros de prefijos. La solución se basará en la manipulación controlada de anuncios BGP mediante técnicas de ingeniería de tráfico, como anuncios selectivos, comunidades BGP y BGP poisoning, con el objetivo de identificar filtros incorrectos tanto en proveedores directos como en redes ubicadas a varios saltos de distancia. Las técnicas serán evaluadas en escenarios reales utilizando el testbed PEERING y se desarrollará una herramienta que pueda ser utilizada por operadores en sus propias redes. También se buscará ampliar la participación de operadores, IXPs e instituciones de investigación de América del Sur para mejorar la visibilidad y cobertura de redes de la región LACNIC en este tipo de estudios.
El proyecto propone desarrollar una arquitectura de software de código abierto para integrar tecnología L4S en routers Wi-Fi y terminales GPON, con el objetivo de reducir la latencia en redes de acceso inalámbricas. La solución incorporará mecanismos inteligentes de gestión de congestión basados en Aprendizaje por Refuerzo, capaces de adaptarse dinámicamente a las variaciones de los enlaces Wi-Fi. Como resultado, se desarrollará y validará una Prueba de Concepto, junto con módulos compatibles con OpenWRT, buscando ofrecer a los proveedores de Internet una alternativa de bajo costo computacional, abierta y libre de dependencia de proveedores específicos.
En este proyecto se van a explorar e implementar algoritmos de IA Multivista que tengan la capacidad de generar niveles de incertidumbre en sus predicciones de tal manera que sea posible cuantificar que tan confiable es una predicción dada. De esta forma, si se sabe que una predicción no es confiable, se puede notificar a un experto para tomar la decisión final. Los algoritmos de IA Multivista con cuantificación de confiabilidad serán probados en diferentes escenarios relevantes para sistemas ISP, IXP, e, IoT, incluyendo detección de anomalías y ataques a dispositivos. Específicamente, se buscará combinar características específicas de protocolos, estadísticas basadas en flujos, contenidos, y comportamientos a nivel de paquetes, con el objetivo de construir representaciones multivista más eficientes y discriminativas para tareas de aprendizaje supervisado.
El proyecto RedLLM-Integrator propone una solución para fortalecer las capacidades de los Centros de Operaciones de Seguridad (SOCs) en América Latina mediante la integración progresiva y ética de herramientas de inteligencia artificial explicativa en sus procesos existentes. En lugar de entrenar un nuevo modelo desde cero —lo cual implica altos costos, dependencia tecnológica y conocimientos avanzados en infraestructura de IA— la propuesta se centra en aprovechar arquitecturas ya consolidadas como Retrieval-Augmented Generation (RAG) y Large Language Models (LLMs) pre entrenados para apoyar la simulación ofensiva, la identificación de vulnerabilidades y la generación de recomendaciones comprensibles en entornos de seguridad digital.