El estudio de los algoritmos y las estructuras de datos es fundamental en la informática, ya que permite diseñar soluciones eficientes, escalables y confiables para el procesamiento de información. Un algoritmo es una secuencia finita y ordenada de pasos lógicos que resuelve un problema específico, mientras que una estructura de datos es la forma en que la información se organiza y almacena para facilitar su acceso y manipulación. Ambos conceptos están estrechamente relacionados: un mismo problema puede resolverse con distintos algoritmos, pero su eficiencia dependerá en gran medida de cómo estén organizados los datos. Por ejemplo, buscar información en datos desordenados no ofrece el mismo rendimiento que hacerlo en datos previamente estructurados.

El análisis de algoritmos permite evaluar el consumo de recursos antes de implementar una solución. Este análisis se enfoca principalmente en el tiempo de ejecución (complejidad temporal) y el uso de memoria (complejidad espacial). No se mide el tiempo en segundos reales, sino el crecimiento del número de operaciones a medida que aumenta el tamaño de los datos. Esto permite predecir el comportamiento del algoritmo en escenarios de gran escala y comparar distintas alternativas de manera objetiva.

En ciberseguridad, donde se procesan grandes volúmenes de registros y eventos en tiempo real, la eficiencia algorítmica es crucial. Los sistemas deben analizar millones de datos rápidamente para detectar accesos no autorizados o patrones de ataque. Seleccionar algoritmos y estructuras adecuadas mejora el rendimiento y fortalece la protección de la información.

1.1.1. Concepto de algoritmo y estructura de datos

Algoritmo: Un algoritmopuede definirse como un conjunto de instrucciones diseñadas para localizar, calcular o procesar información. Por ejemplo, los algoritmos de búsqueda permiten localizar información dentro de grandes volúmenes de datos, como registros de usuarios o eventos de red. (Tymoschuk, Guzmán, & Frittelli. 2021).

Los algoritmos pueden representarse de diversas maneras según el nivel de formalidad y el propósito didáctico o técnico que se persiga. Las formas más comunes son el lenguaje natural, el seudocódigo, los diagramas de flujo y los lenguajes de programación. Cada una de estas representaciones cumple una función específica: el lenguaje natural facilita la comprensión inicial del problema, el seudocódigo permite estructurar la lógica de manera más formal sin depender de la sintaxis de un lenguaje específico, los diagramas de flujo ayudan a visualizar el proceso mediante símbolos gráficos, y los lenguajes de programación convierten el algoritmo en una solución ejecutable por la computadora.

La Figura 1 presenta un mismo algoritmo representado en tres formatos distintos: lenguaje natural, seudocódigo y en el lenguaje Python. Esta comparación permite observar cómo una misma lógica puede expresarse con diferentes niveles de precisión y formalidad. Mientras el lenguaje natural describe los pasos de manera general, el seudocódigo organiza las instrucciones siguiendo una estructura más cercana a la programación, y el código en Python traduce esas instrucciones en una forma que puede ser compilada o interpretada por el sistema.

Estructura de datos: Constituyen el mecanismo mediante el cual la información se organiza, almacena y gestiona dentro de un sistema informático, con el fin de facilitar operaciones fundamentales como inserción, eliminación, actualización y búsqueda de datos. Su diseño no es arbitrario, sino que responde a las necesidades específicas del problema que se desea resolver. Entre las estructuras más utilizadas se encuentran los arreglos, las listas enlazadas, las pilas, las colas, los árboles y las tablas hash, cada una con características particulares en términos de acceso, almacenamiento y eficiencia.

La elección adecuada de una estructura de datos influye directamente en el rendimiento del algoritmo que la utiliza. Por ejemplo, una tabla hash puede ofrecer búsquedas en tiempo promedio constante, mientras que un arreglo puede requerir recorridos completos si no está ordenado. De esta manera, no basta con diseñar un algoritmo correcto; también es necesario seleccionar la estructura de datos más conveniente para optimizar el uso de tiempo y memoria. Como señala Joyanes Aguilar (2003), la correcta combinación entre algoritmos y estructuras de datos es determinante para lograr soluciones eficientes y escalables en el desarrollo de software.

1.1.2. Algoritmos en la resolución de problemas de ciberseguridad

En la Tabla 1 que se presenta a continuación, se muestran algunas de las aplicaciones más utilizadas en el campo de la ciberseguridad, junto con un ejemplo práctico de cada una. Estas aplicaciones son de gran importancia, ya que permiten fortalecer los sistemas de protección, mejorar la detección de amenazas y optimizar la gestión de la seguridad informática.

Entre las aplicaciones de los algoritmos en ciberseguridad, existen algoritmos especializados de búsqueda de patrones que permiten localizar múltiples firmas de malware dentro de grandes volúmenes de datos con alta eficiencia. Algunos algoritmos de búsqueda de cadenas pueden encontrar múltiples coincidencias en tiempo lineal respecto al tamaño del texto analizado. Esto es especialmente útil en sistemas de detección de intrusos, donde se deben analizar millones de registros en poco tiempo. (Stallings. 2021)

1.1.3. Complejidad temporal y espacial

La complejidad temporal evalúa cómo varía el tiempo de ejecución de un algoritmo en función del tamaño de los datos de entrada. Por su parte, la complejidad espacial analiza la cantidad de memoria que el algoritmo necesita para ejecutarse, considerando tanto las variables utilizadas como las estructuras de datos adicionales que pueda requerir. Ambos conceptos son fundamentales para determinar la eficiencia de una solución informática.

Es importante destacar que la complejidad temporal no se mide en segundos reales, sino en términos del crecimiento del número de operaciones a medida que aumenta el volumen de datos. Este enfoque abstracto permite comparar algoritmos de manera objetiva, independientemente del hardware, sistema operativo o lenguaje de programación utilizado. De esta forma, se pueden seleccionar soluciones más eficientes y escalables para entornos donde el procesamiento de grandes cantidades de información es crítico. La figura 2 muestra el gráfico de medición del Análisis de Complejidad Temporal y Espacial del Algoritmo Test de Primalidad Tesla Zollner.

En ciberseguridad, optimizar tiempo y memoria es vital, porque los sistemas deben analizar información en tiempo real sin saturar recursos.

1.1.4. Notación Big-O, Ω y Θ

Las notaciones asintóticas se utilizan para describir el comportamiento de los algoritmos:

• Big-O (O): Representa el límite superior del crecimiento de un algoritmo, es decir, describe el peor escenario posible en términos de tiempo o espacio. Permite estimar el máximo número de operaciones que podría realizar el algoritmo cuando el tamaño de los datos aumenta, garantizando que su rendimiento no será peor que ese límite.

• Big-Omega (Ω): Representa el límite inferior, es decir, el mejor caso posible. Indica el mínimo número de operaciones que el algoritmo necesita para resolver el problema bajo condiciones ideales.
• Big-Theta (Θ): Representa el crecimiento ajustado o comportamiento típico del algoritmo cuando el límite superior e inferior coinciden. Describe de manera más precisa el rendimiento cuando el algoritmo mantiene un patrón de crecimiento estable en la mayoría de los casos.

Estas notaciones describen el crecimiento del tiempo o memoria en función del tamaño de la entrada.

Por ejemplo:

• O(n): crecimiento lineal.
• O(log n): crecimiento logarítmico.
• O(n²): crecimiento cuadrático.

Estas métricas permiten comparar algoritmos y seleccionar el más eficiente para cada escenario.

1.1.5. Análisis de eficiencia en procesamiento de eventos de seguridad

Los sistemas de seguridad informática generan grandes volúmenes de datos. Analizar estos datos requiere algoritmos que mantengan rendimiento estable a medida que crece la información. Por ejemplo, los algoritmos de búsqueda eficientes permiten analizar logs rápidamente, detectar accesos sospechosos o identificar patrones de ataque. Los algoritmos lineales son útiles en pequeños volúmenes, mientras que los logarítmicos permiten escalar a sistemas masivos. (Cormen, Leiserson, Rivest, & Stein. 2022)

La Figura 3 muestra un panel en tiempo real (dashboard) con datos de acciones SSH fallidas y exitosas, esto muestra como la aplicación de los algoritmos en ciberseguridad puede apoyar a la mitigación de problemas de red.

Los algoritmos de búsqueda permiten encontrar información dentro de estructuras de datos. Son esenciales en bases de datos, sistemas operativos y herramientas de ciberseguridad.

1.2.1. Búsqueda lineal

La búsqueda lineal consiste en recorrer los datos uno por uno hasta encontrar el elemento buscado o hasta llegar al final del conjunto de datos.

Características:

• Funciona en datos ordenados y no ordenados.
• Es simple de implementar.
• Tiene complejidad O(n).

Aunque es fácil de usar, es poco eficiente para grandes volúmenes de datos, ya que debe revisar cada elemento. Estudios comparativos muestran que la búsqueda lineal es sencilla pero ineficiente en grandes conjuntos de datos.

En la figura 4 se muestra un ejemplo de una búsqueda lineal donde se realiza la comparación desde el inicio hasta encontrar el elemento buscado (9).

1.2.2. Búsqueda binaria

La búsqueda binaria es un método eficiente para encontrar elementos en listas ordenadas. Divide repetidamente el conjunto de datos a la mitad hasta encontrar el elemento.

Funcionamiento:

• Se toma el elemento central.
• Se compara con el valor buscado.
• Se descarta la mitad donde no puede estar el dato.

Tiene complejidad logarítmica, lo que la hace muy eficiente.

La búsqueda binaria puede ejecutarse en complejidad Θ (log n), lo que la convierte en una de las técnicas más eficientes para búsqueda en datos ordenados. En la figura 5 se muestra un ejemplo de una búsqueda binaria donde se realiza la comparación del elemento buscado (9) desde la mitad del conjunto de elementos y de ahí se toma el lado derecho por ser mayor ele elemento buscado (9) y se repite el proceso.

1.2.3. Requisitos de ordenamiento para búsqueda eficiente

Para aplicar búsqueda binaria, los datos deben estar ordenados previamente. Esto implica un costo adicional inicial de ordenamiento. Sin embargo, cuando se realizan muchas búsquedas sobre el mismo conjunto de datos, el costo del ordenamiento se compensa con la rapidez de las búsquedas posteriores.

1.2.4. Comparación de eficiencia entre métodos

En la Tabla 2 se muestra una comparación general de los métodos de búsqueda lineal y binaria:

La búsqueda binaria es mucho más eficiente en grandes volúmenes de datos, mientras la lineal es útil en conjuntos pequeños o desordenados.

1.2.5. Aplicaciones en búsqueda de usuarios, IPs y eventos de seguridad

En ciberseguridad, los algoritmos de búsqueda se aplican en:

• Búsqueda de usuarios
• Verificación de autenticación.
• Control de accesos.
• Búsqueda de IPs
• Detección de direcciones sospechosas.
• Análisis de tráfico de red.
• Búsqueda en eventos de seguridad
• Análisis de logs.
• Detección de patrones de ataques.

Los sistemas modernos combinan algoritmos de búsqueda con estructuras optimizadas para manejar grandes volúmenes de datos en tiempo real.

En la Tabla 3 se simula una búsqueda de direcciones IP dentro de un registro de eventos de seguridad. En este ejemplo se busca la IP 192.168.1.25 dentro de un conjunto de datos.