Sospechosos habituales

¡Vótame en los Premios iVoox 2026!
En este capítulo hablamos de varios temas de actualidad tecnológica.

Este podcast está asociado a la red de Sospechosos Habituales donde podréis encontrar otros muchos podcast de diferentes temáticas.

# La Evolución de la Memoria y la Ciberseguridad: ASLR
**Palabras clave:** ASLR, ciberseguridad, memoria, aleatorización, ataques
# Temas tratados
- Se introduce el concepto de ciberseguridad moderna y la importancia de la memoria.
- Se explica la inspiración de la seguridad física de un banco central para ilustrar la predictibilidad.
- Se describe el entorno de memoria predecible antes de la implementación de ASLR en Windows.
- Se detalla cómo los atacantes explotaban direcciones de memoria fijas para ejecutar código malicioso.
- Se introduce DEP como una medida para prevenir la ejecución de código en zonas de datos.
- Se explica la técnica ROP como una forma de utilizar código existente para realizar acciones maliciosas.
- Se presenta el ASLR como la solución para aleatorizar la disposición de la memoria.
- Se discute la implementación técnica del ASLR en Windows, incluyendo el Force ASLR.
- Se aborda la optimización de rendimiento del ASLR en librerías compartidas y ejecutables.
- Se explica el funcionamiento de la tabla de relocalización para corregir direcciones absolutas.
- Se diferencia entre saltos absolutos y relativos en el contexto del ASLR.
- Se explora el uso de punteros basados como solución para la memoria compartida y el ASLR.
- Se discute el impacto de rendimiento de los punteros relativos frente a los absolutos.
- Se reflexiona sobre el futuro del ASLR y la posible necesidad de arquitecturas de hardware diferentes.

Este episodio incluye contenido generado por IA.

Emitió en directo el 07/10/2026.
Hoy os daré las noticias de sistemas aéreos no tripulados desde el 7 de agosto, para seguir empezando bien la temporada.

Vale, ya vinos que no soy ultraconservador, entonces ¿qué soy?... aparte de calvo y gordo...
Este podcast está asociado a la red de Sospechosos Habituales donde podréis encontrar otros muchos podcast de diferentes temáticas.

Los metadatos de tus notas son puro oro, y me da la sensación de que todavía no lo sabes. Tienes títulos, fechas de creación, etiquetas... toda esa información del front matter de cada Markdown que, la mayoría de las veces, se queda ahí muerta de risa sin que le saques partido. En los episodios 819 y 821 te conté cómo la extraía con Python para montar un grafo de conocimiento. Funcionaba, pero para cualquier consulta rápida tenías que abrir el script, tocar el código y volver a ejecutarlo. Eso no es ágil.
En este episodio te presento al dúo dinámico: jq y yq. Dos herramientas que hacen una sola cosa y la hacen de maravilla, esa vieja filosofía UNIX que tanto nos gusta. jq es el procesador de JSON de referencia desde 2012, escrito en C y presente en casi todas las distribuciones. yq es el mismo concepto para YAML, XML, INI, TOML y CSV, escrito en Go por Mike Farah y distribuido como un binario único sin dependencias. Con las dos, y sin escribir ni una línea de Python, vas a extraer, filtrar y conectar los metadatos de tus notas.
Arrancamos con lo básico de jq, sus filtros y sus cuatro funciones estrella, select, unique, map y group_by. Son las que vas a reutilizar una y otra vez. Después pasamos a yq y a su joya de la corona, el soporte nativo de front matter. Con una línea tipo yq --front-matter=extract '.tags' nota.md sacas las etiquetas de una nota, y con -i la editas in place, algo que jq no permite. Actualizar la fecha de modificación, añadir un tag nuevo o convertir de YAML a JSON y al revés sin salir de la terminal.
Y luego llega la parte divertida, los pipelines. Encadenando fd, yq y jq consigues una lista limpia de los tags de tu vault, un informe con cuántos documentos usan cada etiqueta o el grafo de conocimiento completo en JSON, con nodos y aristas, sin Python y sin IA. También te enseño a detectar esas notas viudas que no tienen etiqueta y a cerrar el círculo pasando ese JSON a un modelo local con Ollama, para que te clasifique las notas y te diga qué conexiones hay entre ellas.
Terminamos con los errores más habituales, que ya me he encontrado de todo. Que yq solo procesa el primer documento si le pasas varios ficheros, que un front matter sin los delimitadores --- no lo reconoce nadie, o que jq no tiene edición in place. Pequeños tropiezos que te ahorro para que no pierdas media tarde peleándote con la terminal.
Si tienes un vault de notas, aunque sean solo diez archivos, este episodio te va a cambiar la forma de trabajar con ellos. Y si te gusta domar tus datos con herramientas pequeñas y afiladas, más todavía. Suscríbete al podcast, déjame una valoración y compártelo con quien todavía escriba un script de Python para leer un YAML. La semana que viene, en el 839, seguimos con el grafo de conocimiento y la IA local.
Capítulos:
0:00 - Introducción: yq y jq, el dúo dinámico
3:15 - Filosofía UNIX: domar datos sin escribir Python
5:45 - Qué es jq y qué es yq
8:00 - Filtros básicos con jq
10:45 - Funciones clave de jq: select, unique, map y group_by
13:15 - yq y Front Matter: extraer metadatos
16:00 - Edición in-place y conversión YAML ↔ JSON
18:30 - Pipelines: fd + yq + jq para extraer tags
21:00 - Del Front Matter al grafo de conocimiento
22:45 - Notas viudas y pipeline con IA local
24:30 - Errores comunes, conclusiones y despedida
Encontrarás todos los comandos y las notas del episodio en atareao.es, y si quieres participar en la comunidad, tenemos el grupo de Telegram en t.me/atareao_con_linux, además de la red de podcast Sospechosos Habituales en feedpress.me/sospechososhabituales. Un saludo y nos escuchamos el próximo lunes 🐧
Más información y enlaces en las notas del episodio
🌐 Aquí lo puedes encontrar todo 👉 https://atareao.es
✈️ Telegram (el grupo) 👉 https://t.me/atareao_con_linux
✈️ Telegram (el canal) 👉 https://t.me/canal_atareao
🦣 Mastodon 👉 https://mastodon.social/@atareao
🐦 Twitter 👉 https://twitter.com/atareao
🐙 GitHub 👉 https://github.com/atareao