Iniciando coordenadas para magnifico proyecto Chile Robot. Entrenamiento de redes neuronales iniciado…¡Ahora!…

Estudiando redes neuronales a veces se debe partir no por el código, sino por lo básico ¿que diablos es una neurona?, ¿Cómo funciona?.

Esta segunda pregunta es la que me ha tenido intrigado esta semana, entender cómo funciona una neurona es el primer paso que se debe entender para simular el cerebro humano. Obviamente los científicos ya han trabajado en estas preguntas y existen algunos modelos ya existentes (Los informáticos de de pregrado que pensaban que las derivadas no servían para nada… ¡JA!). Hay alguno modelos biológicamente precisos como el de Hodgkin-Huxley pero que son (o eran, no lo se aún, pues el artículo que cito es del año 2003) son demasiado complejos para simular neuronas en grandes cantidades, por otra parte, existen modelos simples como el “integrate-and-fire” que son computacionalmente eficientes pero poco realistas. Para enfrentar este problema Eugene M. Izhikevich propuso un modelo que ahora lleva su nombre, el modelo Izhikevich.

Este modelo combina lo mejor de ambos desafíos, la coherencia biológica del modelo de Hodgkin-Huxley y la eficiencia computacional del modelo de “integrate-and-fire”. Los más genial (dicen) es que con solo dos ecuaciones diferenciales y cuatro parámetros, se puede reproducir los patrones de disparo de múltiples tipos de neuronas corticales.

Las ecuaciones son:

• v′=0.04v^2+5v+140−u+Iv' = 0.04v^2 + 5v + 140 - u + I

El rápido avance de los sistemas digitales de atención médica ha propiciado una explosión en el volumen de imágenes médicas compartidas a través de redes públicas y plataformas distribuidas. Tomografías computarizadas, resonancias magnéticas, radiografías y estudios clínicos generados digitalmente representan hoy una de las fuentes más sensibles de información biomédica. Garantizar la integridad, confidencialidad y disponibilidad de estos datos constituye un imperativo ético y técnico.

En este contexto, el artículo "Survey on medical image encryption: From classical to deep learning-based approaches" de Shiv Prasad y Amit Kumar Singh propone una revisión exhaustiva de las técnicas de cifrado utilizadas en la protección de imágenes médicas digitales. Esta revisión abarca desde métodos criptográficos clásicos hasta enfoques basados en inteligencia artificial, destacando tanto la evolución conceptual como los desafíos aún pendientes en este campo.

Los autores parten de la premisa de que los mecanismos clásicos de cifrado, pese a su solidez teórica, resultan insuficientes frente a los desafíos actuales en términos de escalabilidad, eficiencia computacional y resistencia ante ataques sofisticados. Propugnan que los métodos de cifrado asistidos por modelos de aprendizaje automático y aprendizaje profundo ofrecen una alternativa no sólo viable, sino superior, al integrar capacidades adaptativas, resistencia al ruido y dinámica de cifrado diferenciada.

En las últimas décadas, el ocultamiento de información en objetos digitales, especialmente imágenes, ha transitado desde técnicas heurísticas hacia métodos sofisticados anclados en el aprendizaje profundo. La reciente revisión sistemática Neural networks-based data hiding in digital images: Overview realizada por Dzhanashia y Evsutin (2024) constituye un esfuerzo pionero en sistematizar el uso de redes neuronales para steganografía y watermarking, aportando una visión crítica del estado del arte.

El trabajo destaca que, a pesar del surgimiento explosivo de técnicas que integran redes neuronales en los últimos cinco años, hasta ahora no existía una taxonomía clara que distinguiera entre arquitecturas modulares, auxiliares y completamente integradas (end-to-end). Este vacío se torna más evidente al considerar las aplicaciones emergentes que exigen no solo inserción imperceptible, sino también robustez frente a transformaciones físicas como compresión, recorte, escaneo o captura desde pantalla.

Entre los hallazgos más relevantes, se identifican avances significativos en tres frentes:

• Imperceptibilidad: El uso de arquitecturas tipo U-Net, combinadas con funciones de pérdida perceptual (e.g., SSIM, LPIPS), ha mejorado notablemente la calidad visual de los contenedores con datos embebidos. El estudio también sugiere la inclusión de máscaras de textura para ajustar dinámicamente el nivel de inserción.

Hoy la criptografía es parte fundamental de las comunicaciones, aunque como usuarios muchas veces no somos cocientes de ello. Se piensa que muy pronto las claves RSA de 2048 bits que hoy protegen nuestros datos podrían ser quebradas en minutos. Así como avanza la tecnología ese mundo totalmente desprotegido puede estar a la vuelta de la esquina con la llegada de los computadores cuánticos. Claro, no es necesario que quemes tus discos duros encriptados donde guardas secretos con códigos nucleares ni nada de eso. Ya los investigadores están buscando solución a esto mediante machine learning.

Un reciente estudio de Sheetal Temara y otros propone una arquitectura muy interesante, dotar a los sistemas criptográficos de inteligencia adaptativa. Es decir, hacer que el cifrado aprenda.

El enfoque combina tres mundos: Criptografía post-cuántica con algoritmos tipo lattice y hash-based, Machine learning para detectar anomalías en tiempo real y Reinforcement learning para gestionar claves como si fuesen recursos escasos en un juego de estrategia.

Este estudio tiene muy buenas métricas. 98% de efectividad para detectar patrones de ataque asociados a desencriptado cuántico, 50% menos de latencia en rotación de claves gracias al aprendizaje reforzado y 60% menos de éxito en ataques simulados por adversarios cuánticos.

En criptografía existe un desafío abierto y que está siendo tendencia entre los especialistas del área. Me refiero al desarrollo de algoritmos de cifrado sin pérdida para imágenes médicas que permita una recuperación exacta durante la descifrado como si la imagen nunca hubiera sido alterada. Eso es exactamente lo que plantea RIE-GAN, un ambicioso enfoque que combina deep learning, caos y redes generativas adversarias.

Por lo que he leído en publicaciones anteriores, sabemos que cifrar una imagen con técnicas tradicionales la hace segura… pero también inútil para tareas como la búsqueda por similitud. Aquí es donde entra en juego una combinación entre Cycle-GAN y técnicas de cifrado inteligente que preservan lo justo para permitir búsquedas, sin ceder demasiado en seguridad.

Los autores, Yang Nan, Yan Wo dividen en dos partes las características internas de la imagen aprendidas por redes convolucionales: una útil para buscar y otra que se puede blindar al máximo. La primera se cifra manteniendo ciertas propiedades estadísticas, y la segunda se transforma en un vórtice caótico usando la famosa receta de Lorenz.

Luego, el sistema entrena una GAN para que cualquier característica original se convierta en una versión cifrada irreconocible pero funcional y para la recuperación se susa otro modelo entrenado para encontrar coincidencias entre imágenes... sin ver las originales, ¡fenomenal!.

La criptografía es un área de la seguridad fascinante y hoy el panorama actual se ve muy movido, especialmente en lo referente a criptografía cuántica, sin embargo, dejando de lado esta nueva tendencia aún se puede aprender mucho estudiando bibliotecas criptográficas que ya tienen sus años, pues aún hay muchas bibliotecas que han sufrido fallos catastróficos. En respuesta a esto, Daniel J. Bernstein, Tanja Lange y Peter Schwabe introdujeron NaCl (Networking and Cryptography Library), como ellos mismo lo señalan, se pronuncia Sal, una biblioteca criptográfica diseñada desde cero con una mentalidad de seguridad radicalmente distinta.

El equipo parte de la hipótesis de que es posible reducir sustancialmente las vulnerabilidades criptográficas mediante decisiones de diseño centradas en:

• La simplicidad extrema del API
• El aislamiento total de flujos de datos secretos
• La elección conservadora y bien auditada de algoritmos
• La eliminación de fuentes comunes de errores como el mal uso de relleno (padding) o aleatoriedad débil

El enfoque de investigación es principalmente de aplicación y analítico. Los autores no diseñan nuevos algoritmos criptográficos, sino que se centran en otros aspectos más aplicativos.

• Analizan fallos reales y documentados en bibliotecas como OpenSSL.
• Diseñan APIs y flujos de trabajo que los previenen por construcción.
• Seleccionan algoritmos con amplia auditoría criptanalítica.

Esta semana me ha rondado en la cabeza el problema de la criptografía en Julia.
Julia no tiene una biblioteca criptográfica “oficial” al nivel de PyCryptodome en Python, pero sí cuenta con varias opciones que cubren distintos aspectos de la criptografía, aunque dispersas y con distintos grados de madurez. Por lo que son son muy confiables para entornos de producción.

Algunos Pkg disponibles son:

Nettle.jl es un wrapper de la biblioteca C Nettle, que ofrece funciones de hashing (MD5, SHA1, SHA2), HMAC y cifrado AES.

MbedTLS.jl proporciona bindings para la biblioteca MbedTLS, útil para cifrado TLS y operaciones criptográficas básicas.

SHA.jl y MD5.jl son implementaciones puras en Julia para funciones hash.

Crypto.jl ofrece una mezcla de wrappers y código nativo, aunque está más orientado a referencia que a producción.

CryptoGroups.jl es una librería más reciente y académica, centrada en grupos criptográficos con fuerte tipado y soporte para curvas elípticas y grupos modulares.

Entonces me pregunto ¿Será nacesaria un Pkg nuevo con una integración completa al estilo PyCryptodome?.

Aquí un resumen de lo que he descubierto:

Claramente Julia está en desventaja:

• Fragmentación: No hay una biblioteca principal como PyCryptodome que lo integre todo. Hay que combinar varios paquetes con distintos estilos y APIs.
• Cifrado asimétrico limitado: RSA y ECC están disponibles solo parcialmente, y en implementaciones no siempre bien mantenidas o diseñadas para producción.

En un mundo donde los dispositivos de bajo consumo exigen cifrados livianos y robustos, surge una pregunta crucial para criptógrafos: ¿cómo evaluar rápidamente la resistencia diferencial de un nuevo cifrado sin recurrir a métodos costosos y lentos?

Un reciente estudio titulado “A Deep Learning Approach for Active S-Box Prediction of Lightweight Generalized Feistel Block Ciphers” propone una alternativa disruptiva: usar redes neuronales para estimar el número de S-boxes activas en una estructura Feistel, lo cual es esencial para estimar la seguridad de un cifrado frente a ataques diferenciales.

Tradicionalmente, calcular el número mínimo de S-boxes activas (aquellas que reciben diferencias no nulas) requería algoritmos de búsqueda intensivos, representaciones SAT o incluso programación lineal entera, todos ellos con altos costos computacionales y dependencia de conocimientos criptográficos avanzados.

Esta necesidad de cálculo entonces nos lleva la pregunta de ¿Si entrenamos una red neuronal para aprender este comportamiento y realizar la predicción al instante?. Esa es la propuesta central del paper.

Los autores reformulan el problema como una tarea de regresión supervisada. Entrenan redes neuronales profundas utilizando las siguientes características de entrada:

• Diferencias truncadas de entrada (ΔX) y salida (ΔY)
• Número de rondas del cifrado
• Patrón de permutación del GFS

En el mundo de la tecnología móvil y la computación de borde, la privacidad y la eficiencia son desafíos abiertos. El paper titulado "Leia: A Lightweight Cryptographic Neural Network Inference System at the Edge" escrito por Xiaoning Liu, Bang Wu, Xingliang Yuan y Xun Yi aborda estos problemas con una solución innovadora que combina criptografía liviana y redes neuronales binarizadas (BNN).

La hipótesis principal del estudio es que es posible realizar inferencias de redes neuronales de manera segura y eficiente en dispositivos con recursos limitados utilizando técnicas criptográficas ligeras.

El aprendizaje automático cuántico es un campo emergente que promete revolucionar la forma en que procesamos y analizamos la información. Un reciente artículo de revisión sistemática publicado en Computer Science Review por parte de David Peral-García, Juan Cruz-Benito, Francisco José García-Peñalvo examina el panorama de los algoritmos de aprendizaje automático cuántico, sus aplicaciones y los desafíos tecnológicos que aún enfrentamos.

La computación cuántica está basada en principios de la mecánica cuántica, como la superposición y el entrelazamiento, lo que permite procesar información de manera exponencialmente más eficiente que las computadoras clásicas. Esto abre posibilidades en áreas donde la computación tradicional se ve limitada por la complejidad de los cálculos, como la simulación de sistemas químicos, la optimización de modelos financieros y el aprendizaje automático.

Sin embargo, los dispositivos cuánticos actuales no son suficientemente tolerantes a fallos ni cuentan con un número adecuado de cúbits para resolver problemas de gran escala. A pesar de ello, existen algoritmos y aplicaciones que ya pueden aprovechar las capacidades de la computación cuántica en su estado actual.

El paper analiza diferentes enfoques dentro del aprendizaje automático cuántico, incluyendo:

Redes neuronales cuánticas (QNN): Implementaciones que buscan aprovechar circuitos cuánticos para mejorar tareas como la clasificación de imágenes.

Este domingo sigo con mi tarea de estudiar seriamente criptografía. 

El Toolkit de Criptografía en Python es un paquete que proporciona módulos criptográficos para el lenguaje de programación Python. Está diseñado para ofrecer una base confiable y estable para escribir programas que requieran funciones criptográficas.

El toolkit busca proporcionar una interfaz simple y consistente para clases similares de algoritmos, facilitando la sustitución de algoritmos antiguos por otros más seguros. Algunos módulos están implementados en C para rendimiento, mientras que otros están escritos en Python para facilitar modificaciones. Obviamente lo que está desarrollado en C debe tener como objetivo acelerar los procesos pues Python no es tan eficiente como C, ¿Se podrá integrar un módulo en Rust?, no es parte de este artículo.

Funciones principales

• Crypto.Hash: Implementa funciones hash como SHA256 y RIPEMD160, que son seguras, y otras como MD5 y SHA1, que ya no se recomiendan.
• Crypto.Cipher: Ofrece algoritmos de cifrado como AES, Blowfish y DES3, con soporte para modos de operación como CBC y CFB.
• Crypto.Protocol: Incluye protocolos como AllOrNothing y Chaffing para transformar paquetes y mejorar la privacidad.
• Crypto.PublicKey: Implementa algoritmos de clave pública como RSA, ElGamal y DSA para cifrado y autenticación.
• Crypto.Util: Proporciona herramientas adicionales como generación de números aleatorios y funciones matemáticas.

La comunicación encubierta, también conocida como comunicación de baja probabilidad de detección (LPD), es una técnica avanzada de seguridad que busca ocultar no solo el contenido de la información transmitida, sino también la existencia misma de la comunicación. Este enfoque es crucial en escenarios donde la exposición de la actividad de comunicación puede implicar riesgos significativos, como en operaciones militares o gubernamentales.

La comunicación encubierta se basa en la teoría de la información y utiliza técnicas para reducir la probabilidad de que un adversario detecte la transmisión. Esto se logra modelando las señales observadas por el monitor como un problema de prueba de hipótesis binaria. En este modelo, el monitor (Willie) intenta determinar si la transmisora (Alice) está enviando datos o permaneciendo en silencio.

El concepto clave radica en minimizar la probabilidad de detección mediante estrategias como la modulación de señales y el diseño de características de las ondas para ocultar la transmisión. Por ejemplo, el "Square Root Law" establece límites teóricos para la capacidad de canal en escenarios de ruido blanco gaussiano aditivo (AWGN), proporcionando una base sólida para el diseño de sistemas encubiertos.

La Fig. 1 del artículo ilustra el proceso de detección secuencial de puntos de cambio (SCPD), una técnica utilizada por Willie para identificar cambios estadísticos en las señales recibidas que podrían indicar la presencia de comunicación encubierta.

La creciente dependencia de las imágenes digitales en aplicaciones sociales, médicas y militares ha generado una urgente necesidad de proteger su privacidad frente a posibles filtraciones y ataques cibernéticos. En este contexto, el aprendizaje profundo ha emergido como una herramienta clave para mejorar los métodos de cifrado de imágenes, permitiendo modelos más robustos y adaptables. Un estudio reciente, titulado Deep Learning-Based Encryption for Secure Transmission of Digital Images: A Survey, ofrece un análisis exhaustivo de los avances en este campo, proporcionando una visión clara de las tecnologías actuales y los desafíos pendientes.

El estudio revisa diversas técnicas de cifrado de imágenes basadas en aprendizaje profundo, comparándolas con métodos tradicionales en términos de seguridad, adaptabilidad y eficiencia. Entre los hallazgos clave, destacan:

• Seguridad Mejorada: Los enfoques basados en redes neuronales profundas introducen una capa adicional de protección frente a ataques conocidos como el de texto plano elegido y el de solo cifrado. La capacidad de aprendizaje del modelo dificulta que atacantes modifiquen la imagen sin detección.
• Redes Generativas para Cifrado: Se destacan modelos como Generative Adversarial Networks (GAN) y autoencoders, que pueden generar claves de cifrado dinámicas y transformar imágenes de manera más efectiva que los métodos tradicionales.

Hace algún tiempo he estado estudiando criptografía de manera bien seria y metódica, se supone que el reto era esos típicos de #100daysof… pero ya no se cuantos días llevo en esto así que comenzaré a publicar lo que he aprendido desde ahora.

El día de hoy me dedique a investigar sobre el cifrado basado en aprendizaje profundo y para eso estoy haciendo una revisión sistemática, hoy estuve revisando el paper “Deep learning-based encryption for secure transmission digital images: A survey” de Soniya Rohhila y Amit Kumar Singh.

Este tipo de cifrado difiere bastante del panorama que comúnmente se estudia de cifrado moderno tipo AES y RSA y es un área de investigación muy dinámico y entretenido.

Los autores se centran principalmente en el cifrado de imágenes, pero especialmente en el cifrado de imágenes médicas ya que por su naturaleza su seguridad es una prioridad. 

La encriptación basada en redes neuronales, una técnica avanzada que transforma imágenes en claro en representaciones cifradas con mayor flexibilidad y adaptabilidad.

A diferencia de los métodos de encriptación tradicionales, que dependen de operaciones matemáticas fijas, las redes neuronales permiten aprender y ajustar los patrones de cifrado según las características de los datos de entrada. Esto significa que pueden generar esquemas de encriptación dinámicos, con mayor resistencia frente a ataques criptográficos.

Un nuevo documento de DeepMind describe algunas estrategias para defenderse de ataques de prompt injections. El prompt injections ha existido durante dos años y medio y este puede ser el primer progreso significativo en derrotarlo.

Defeating Prompt Injections by Design

Edoardo Debenedetti, Ilia Shumailov, Tianqi Fan, Jamie Hayes, Nicholas Carlini, Daniel Fabian, Christoph Kern, Chongyang Shi, Andreas Terzis, Florian Tramèr

Los modelos de lenguaje grande (LLM) se despliegan cada vez más en sistemas de agentes que interactúan con un entorno externo. Sin embargo, los agentes de LLM son vulnerables a ataques de prompt injections cuando se manejan datos no confiables. En este trabajo le proponemos CaMeL, una defensa robusta que crea una capa de sistema de protección alrededor de la LLM, asegurándolo incluso cuando los modelos subyacentes pueden ser susceptibles a ataques. Para operar, CaMeL extrae explícitamente el control y flujos de datos de la consulta (de confianza); por lo tanto, los datos no confiables recuperados por el LLM nunca pueden afectar el flujo del programa. Para mejorar aún más la seguridad, CaMeL se basa en una noción de una capacidad para evitar la exfiltración de datos privados sobre flujos de datos no autorizados. Demostramos la eficacia de CaMeL resolviendo  67% de tareas con seguridad demostrable en AgentDojo [NeurIPS 2024], un reciente referente de seguridad en agentes.

Hace unas cuantas semanas me contactó alguien a través de LinkedIn con una oferta curiosa en la que me decían que les gustaría nominarme a los Seccuri Awards 2025, sea lo que sea que significara eso.
Mi primera reacción fue del tipo wow!! ¡Que genial soy!, pero luego más racionalmente me puse a investigar que era eso de Seccuri, bueno me bastaron unos cuantos minutos para darme cuenta que básicamente es una empresa que, con la artimaña de apelar a tu ego logra que le entregues referencias de profesionales de ciberseguridad, ya que el Award consiste en que tus alumnos o conocidos voten por tu nominación previa inscripción en su base de datos. ¡Hermoso!.
El asunto está en que esto me ha generado curiosidad ya que ahora en LinkedIn me han aparecido varios nominados y la publicación del Award es muy atractiva, he pensado que hasta se ve sexy esa nominación en el CV, pero se me hace interesante observar dos cosas 1) El ego y narcisismo de las RRSS es efectivo, algo muy bien expuesto por Jaron Lanier en su libro del por que dejar las RRSS y 2) es que es cierto , lo que no se ve, no existe. Algo que el filósofo Guy Deboard analiza en su libro La Sociedad del Espectáculo. Entonces me cuestiono ¿Estará bien salirme del escenario, huir de las luces y la vitrina?, independiente de la forma de nominación en la película El Lobo de Wall Street se dice que no hay publicidad mala y si quiero que MonkeysLab crezca ¿No debiera estar ahí? aunque sea para que el nombre de la empresa aparezca en la biografía de la publicación del Award.
Ahora bien no digo que la nominación esté mal ni es un ataque de desdén para los que si la aceptaron, solo manifiesto mi conflicto personal en esto.

Sometí a un interrogatorio sobre criptografía a Microsoft Copilot, y su puntuación de respuesta fue de un 85%.

• ¿Cuál es el enfoque principal de la esteganografía?
  Ocultar el contenido de un mensaje secreto.
  Ocultar el hecho de la existencia de un mensaje secreto. ✅
  Usar códigos y cifrados para ocultar el contenido del mensaje.
  Usar computadoras para almacenar mensajes secretos.
• Selecciona el(los) método(s) utilizado(s) para la esteganografía.
  Tintas invisibles sensibles al calor
  Selección ordenada de letras
  Pinturas modificadas
  Todas las anteriores ✅
• ¿Cuál de las siguientes opera a nivel del significado del mensaje, en lugar de letras o bytes individuales?
  Cifrados
  Códigos ✅
  Claves
  Todas las anteriores
• Usando el cifrado César con 3 como clave secreta, ¿a qué se traduciría la letra "P"?
  L
  R
  S ✅
  M
• ¿Qué es cierto sobre el texto cifrado?
  Se produce a partir del texto plano mediante una transformación de cifrado.
  Se requiere una clave para descifrarlo.
  Puede estar compuesto por letras o bits.
  Todas las anteriores ✅
• ¿Qué es cierto sobre el principio de Kerckhoffs?
  Explica la ventaja de la criptografía sobre la esteganografía.
  Dicta evitar depender de la "seguridad por oscuridad".
  La formulación "el enemigo conoce el sistema" también respalda este principio.
  Todas las anteriores ✅
• ¿Cuál no es una máquina de cifrado?
  Colossus
  Enigma
  Lorenz
  Ninguna de las anteriores ❌
• ¿Qué máquina fue desarrollada para el criptoanálisis de la máquina Lorenz?
  Enigma
  IBM
  Colossus ✅
  Bombe

Hay temas controversiales en el mundo Linux, y es el uso de software Microsoft en su entorno, pero como yo no soy dogmático me da igual, así que hoy, con motivo de la asignatura de Paradigmas de Programación que estoy dictando, instalé dotNet en mi OpenSuse.

Lo primero que se debe aclarar (hoy) es que en las instrucciones oficiales (hoy nuevamente) están documentadas para instalar en OpenSuse Leap 15, no verifiqué las demás versiones y a mi me interesaba dotNet 9.0, no seguí las instrucciones para dotNet 8.

Lo primero que debemos hacer es verificar los prerequisitos. Para eso debe ejecutar algunos comandos para agregar la llave de la firma del paquete de Microsoft a la lista de claves de confianza y agregar el repositorio de paquetes de Microsoft. 

sudo zypper install libicu sudo rpm --import https://packages.microsoft.com/keys/microsoft.asc 
wget https://packages.microsoft.com/config/opensuse/15/prod.repo 
sudo mv prod.repo /etc/zypp/repos.d/microsoft-prod.repo 
sudo chown root:root /etc/zypp/repos.d/microsoft-prod.repo

Y luego instalar el SDK.

sudo zypper install dotnet-sdk-9.0

Muy simple.

¿Que sigue ahora?. Bueno hacker, si quieres programar en este lenguaje debes documentarte y dar los primeros pasos.

Gobiernos del Mundo Industrial, vosotros, cansados gigantes de carne y acero, vengo del Ciberespacio, el nuevo hogar de la Mente. En nombre del futuro, os pido en el pasado que nos dejéis en paz. No sois bienvenidos entre nosotros. No ejercéis ninguna soberanía sobre el lugar donde nos reunimos. No hemos elegido ningún gobierno, ni pretendemos tenerlo, así que me dirijo a vosotros sin más autoridad que aquella con la que la libertad siempre habla.

Declaro el espacio social global que estamos construyendo independiente por naturaleza de las tiranías que estáis buscando imponernos. No tenéis ningún derecho moral a gobernarnos ni poseéis métodos para hacernos cumplir vuestra ley que debamos temer verdaderamente.

Los gobiernos derivan sus justos poderes del consentimiento de los que son gobernados. No habéis pedido ni recibido el nuestro. No os hemos invitado. No nos conocéis, ni conocéis nuestro mundo. El Ciberespacio no se halla dentro de vuestras fronteras. No penséis que podéis construirlo, como si fuera un proyecto público de construcción. No podéis. Es un acto natural que crece de nuestras acciones colectivas.

No os habéis unido a nuestra gran conversación colectiva, ni creasteis la riqueza de nuestros mercados. No conocéis nuestra cultura, nuestra ética, o los códigos no escritos que ya proporcionan a nuestra sociedad más orden que el que podría obtenerse por cualquiera de vuestras imposiciones.