La expansión del Internet de las Cosas (IoT) ha venido aparejado con crecientes problemas y vulnerabilidades de seguridad que requieren la atención de los investigadores. La tecnología LoRa destaca entre las redes de baja potencia y largo alcance (LPWAN) por su autonomía y la posibilidad de crear redes privadas propias. En los últimos años, ha crecido el número de soluciones de seguridad que incorporan técnicas de Machine Learning (ML), adaptándose a disímiles tipos de sistemas y enfocándose en las vulnerabilidades que aparecen en las capas superiores de las arquitecturas IoT.
El presente trabajo busca acercar el procesamiento de los parámetros de red con modelos de ML a las capas de percepción, sobreponiéndose a las limitaciones que los dispositivos pueden presentar a la par que logrando la detección de atacantes. El foco de la investigación es el bloqueo o inhibición de señal al ser una de las amenazas a la disponibilidad con peores repercusiones en los dispositivos. Los resultados experimentales del enfoque de computación en el borde demostró la posibilidad de realizar la inferencia de diferentes tipos de atacantes en tiempo de ejecución real, logrando una precisión del 90.6% con la Red Neuronal Convolucional propuesta. El bajo consumo de los recursos limitados de los dispositivos durante la evaluación en condiciones experimentales, conduce a afirmar la factibilidad de su incorporación a pasarelas LoRa para incrementar su seguridad.