Capítulo 3 — Propuesta de contribución original

Mapa de la lección

Lección 03 publicada. Mapa, ejemplo, EX015.

flowchart TD
  N0["Resultados de aprendizaje y conexión"]
  N1["3.1 Tipos de contribución"]
  N2["3.2 El mecanismo: visibilidad complementaria"]
  N3["3.3 Modelo del observador"]
  N4["3.4 Hipótesis y umbrales"]
  N5["3.5 Líneas base y explicaciones rivales"]
  N6["Síntesis del capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6
  N6 --> EX["Ejemplo resuelto"]
  EX --> Q["Ejercicio EX015"]

Dibujo lógico

flowchart LR
  N0["Resultados de aprendizaje y conexión"]
  N1["3.1 Tipos de contribución"]
  N2["3.2 El mecanismo: visibilidad complementaria"]
  N3["3.3 Modelo del observador"]
  N4["3.4 Hipótesis y umbrales"]
  N5["3.5 Líneas base y explicaciones rivales"]
  N6["Síntesis del capítulo"]
  N0 --> N1 --> N2 --> N3 --> N4 --> N5 --> N6 --> Q["EX015"]

[Resultados de aprendizaje y conexión]
    |
    v
[3.1 Tipos de contribución]
    |
    v
[3.2 El mecanismo: visibilidad complementaria]
    |
    v
[3.3 Modelo del observador]
    |
    v
[3.4 Hipótesis y umbrales]
    |
    v
[3.5 Líneas base y explicaciones rivales]
    |
    v
[Síntesis del capítulo]
    |
    v
[Ejemplo resuelto] --> [Ejercicio EX015]

Resultados de aprendizaje y conexión

Al terminar este capítulo usted podrá (1) clasificar por tipo una contribución propuesta; (2) expresar un mecanismo que explique por qué debería funcionar un método; (3) redactar un modelo del observador, el equivalente en la investigación de inventarios de un modelo del atacante; (4) formular hipótesis con umbrales y condiciones de fracaso prerregistrados; y (5) seleccionar líneas base equitativas y nombrar explicaciones rivales. Convierte la laguna falsable del capítulo 2 en una propuesta que el capítulo 4 puede pilotar.

3.1 Tipos de contribución

Una contribución doctoral en este ámbito suele ser una de estas: un método nuevo (un procedimiento de inventario de doble fuente), una medición nueva (la primera estimación independiente de la exhaustividad de las herramientas de inventario), un artefacto nuevo (un corpus adjudicado abierto), un resultado negativo (mostrar que una métrica muy usada no es válida) o una teoría (un modelo de cómo la agilidad reduce el tiempo de sustitución). Declare un tipo principal; las contribuciones secundarias son bienvenidas, pero no deben diluir la afirmación que pondrá a prueba el tribunal. La contribución principal del Estudio Ciphertrail es una medición —la exhaustividad y la precisión independientes de un método de doble fuente—, con el corpus adjudicado como artefacto secundario.

3.2 El mecanismo: visibilidad complementaria

Un método merece estudiarse cuando hay una razón por la que debería funcionar. El análisis estático —escanear código fuente, manifiestos de dependencias, binarios y configuración— ve la criptografía que la organización construye y configura, pero no lo que hacen por dentro los equipos cerrados de los fabricantes. La telemetría pasiva —los metadatos de los saludos de TLS, SSH e IKE— ve lo que realmente se negocia en la red, también dentro de los equipos de los fabricantes, pero no ve nada de los datos en reposo ni de los dispositivos que nunca se comunican por un segmento supervisado. El mecanismo es la visibilidad complementaria: las dos fuentes fallan en clases de activos distintas, así que su unión debería elevar la exhaustividad donde una está ciega y la otra no, y no debería ayudar donde ambas están ciegas. Un mecanismo que predice dónde fallará el método vale más que uno que solo predice el éxito, porque hace falsable la afirmación.

3.3 Modelo del observador

Defina qué puede observar y qué no cada instrumento, igual que un modelo del atacante definiría capacidades:

Tabla de la lección; desplázate para ver todas las columnas →

Fíjese en la sutileza de TLS 1.3: en TLS 1.3 los certificados viajan cifrados, de modo que un sensor puramente pasivo ve el grupo de intercambio de claves seleccionado, pero no el algoritmo de firma del servidor, salvo que se añada registro en los extremos. Una propuesta que ignorara esto exageraría la cobertura pasiva de las firmas.

3.4 Hipótesis y umbrales

Prerregistre, antes de ver el corpus principal:

• H1 — La exhaustividad de doble fuente para los usos vulnerables a la computación cuántica supera a la exhaustividad solo estática en al menos 0,10 en el corpus HRHN (comparación pareada; el límite inferior del IC del 95 % de la diferencia es de al menos 0,10).
• H2 — La precisión de doble fuente es de al menos 0,90 (los hallazgos pasivos pueden producir duplicados y atribuciones erróneas).
• H3 — La ganancia de exhaustividad se concentra en los equipos de los fabricantes; en los usos de datos en reposo la ganancia es inferior a 0,02. Esta hipótesis predice un fracaso.
• H4 — Los resultados se transfieren: en el corpus Marrow, intacto, con los umbrales y las reglas de fusión congelados, la ganancia de exhaustividad se mantiene en al menos 0,05.

Cada hipótesis tiene una condición declarada bajo la cual se rechaza. H3 se incluye porque, dado el mecanismo, sería sospechoso un método que «ayuda en todas partes».

3.5 Líneas base y explicaciones rivales

La línea base es el análisis solo estático configurado por un ingeniero competente con el mismo acceso, no un escáner deliberadamente débil. Una segunda línea base es la solo pasiva. Entre las explicaciones rivales de una ganancia observada están: hallazgos pasivos que duplican hallazgos estáticos con otros nombres (lo que infla los recuentos), adjudicadores influidos por qué herramienta encontró un elemento (lo que infla la precisión) y un corpus que sobrerrepresenta los equipos de los fabricantes (lo que infla la ganancia agregada). El diseño responde a cada una: identificadores canónicos por uso, adjudicación ciega e informes por clase.

Escriba cada explicación rival con el resultado que la respaldaría, para que el diseño pueda juzgarse antes de que lleguen los datos.

3.6 Ejemplo resuelto y Lab 3

La propuesta incluye un estudio de modelo para comprobar si H1 y H3 son siquiera plausibles antes de recoger ningún dato. Las probabilidades de detección son valores didácticos arbitrarios elegidos para encarnar el mecanismo.

# Lab 3 - Ciphertrail Study (synthetic): static-only vs dual-source inventory recall.
# Each quantum-vulnerable "use" belongs to an asset class; each source detects it with a
# class-specific probability (ARBITRARY teaching values). Dual-source = union of detections.
import random
random.seed(2026)
classes = {  # class: (count, P(static detects), P(passive detects))
    "in-house code":       (420, 0.90, 0.55),
    "vendor appliance":    (260, 0.20, 0.80),
    "embedded/offline":    (180, 0.30, 0.10),
    "data at rest":        (140, 0.70, 0.00),
}
tot = {"static": 0, "dual": 0}; n_all = 0
print(f"{'class':18s}{'n':>5s}{'static':>8s}{'dual':>7s}")
for c, (n, ps, pp) in classes.items():
    s = d = 0
    for _ in range(n):
        hs, hp = random.random() < ps, random.random() < pp
        s += hs; d += (hs or hp)
    tot["static"] += s; tot["dual"] += d; n_all += n
    print(f"{c:18s}{n:5d}{s/n:8.2f}{d/n:7.2f}")
print(f"{'ALL':18s}{n_all:5d}{tot['static']/n_all:8.2f}{tot['dual']/n_all:7.2f}")

Salida esperada:

class                 n  static   dual
in-house code       420    0.89   0.94
vendor appliance    260    0.18   0.84
embedded/offline    180    0.39   0.47
data at rest        140    0.69   0.69
ALL                1000    0.59   0.79

El modelo muestra el patrón previsto: una gran ganancia en los equipos de los fabricantes, casi ninguna en los datos en reposo y una ganancia agregada (0,20) que depende mucho de la mezcla de clases. Este último punto es una advertencia de diseño: una organización con menos equipos de fabricantes mostraría una ganancia agregada menor con el mismo método, así que la tesis debe informar de los resultados por clase y de la mezcla.

3.7 Errores comunes y límites

• Proponer un método sin mecanismo, de modo que cualquier resultado pueda racionalizarse.
• Hipótesis que no pueden fallar, como «la exhaustividad de doble fuente es al menos tan alta como la estática» (cierto por construcción para una unión).
• Líneas base débiles elegidas para que el método luzca.
• Ignorar que TLS 1.3 oculta los certificados a los observadores pasivos.
• Los estudios de modelo solo prueban coherencia interna; los números del Lab 3 son supuestos.

Cada error tiene un síntoma visible en una propuesta: un método descrito sin decir dónde debería fallar, una hipótesis que una unión garantiza, una línea base estática ejecutada con la configuración por defecto por alguien que no la conoce, o una afirmación de cobertura pasiva de las firmas con TLS 1.3. Busque esos síntomas en la propuesta antes de que lo haga el comité.

Ejercicios — capítulo 3

• EX015 — Tipo de contribución. Clasifique la contribución de Ciphertrail y un planteamiento alternativo; argumente cuál encontraría más sólido un examinador. Rúbrica: 3 = justificado con referencia a la comprobabilidad.
• EX016 — Mecanismo. Escriba un párrafo de mecanismo para un método distinto (p. ej., inventario a partir de listas de materiales de software). Rúbrica: 3 = predice al menos una clase de fracaso.
• EX017 — Modelo del observador. Añada a la tabla de 3.3 un observador «E — registros de los extremos». Rúbrica: 3 = columnas de lo que ve y no ve exactas, incluido el coste para la privacidad.
• EX018 — Hipótesis que puede fallar. Reescriba «la doble fuente es mejor» como una hipótesis que pueda rechazarse. Rúbrica: 3 = umbral, comparación y condición de rechazo declarados.
• EX019 — Mezcla de clases. Modifique el Lab 3 para que haya 60 equipos de fabricantes en lugar de 260 (ajuste el código propio a 620). Informe de la ganancia agregada y explíquela. Rúbrica: 3 = ejecución correcta e interpretación vinculada a la mezcla de clases.
• EX020 — Explicaciones rivales. Nombre otras dos explicaciones rivales de una ganancia de exhaustividad y el rasgo del diseño que responde a cada una. Rúbrica: 3 = rivales plausibles, controles específicos.

Síntesis del capítulo

Una contribución es defendible cuando su mecanismo predice tanto el éxito como el fracaso, su modelo del observador declara lo que cada instrumento no puede ver, sus hipótesis pueden rechazarse y sus líneas base son sólidas. El Estudio Ciphertrail propone la visibilidad complementaria y predice dónde no ayudará.

Siga estudiando — capítulo 03 de 08

← Capítulo 02 (borrador) · Índice de capítulos del curso · Capítulo 04 (borrador) →