Este artículo presenta un nuevo método para detectar ataques de amenazas persistentes avanzadas (APT). Para abordar los desafíos de asegurar las enormes cantidades de datos etiquetados que requieren los métodos convencionales de aprendizaje supervisado, combinamos la detección de anomalías mediante autocodificadores con aprendizaje activo. El aprendizaje activo, que solicita etiquetas selectivamente a un oráculo para muestras inciertas o ambiguas, reduce los costos de etiquetado y mejora la precisión de la detección. Específicamente, presentamos un marco de detección de anomalías basado en el Autocodificador Dual de Atención Adversarial y demostramos cómo un bucle de aprendizaje activo mejora el rendimiento del modelo. Utilizando datos reales de rastreo de procesos desequilibrados del programa DARPA Transparent Computing (los ataques tipo APT representan solo el 0,004 % de los datos), evaluamos nuestro enfoque bajo dos escenarios de ataque en varios sistemas operativos, incluyendo Android, Linux, BSD y Windows, demostrando una mejora significativa en las tasas de detección con respecto a los métodos existentes.
