Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Classification of Systems-I01:26

Classification of Systems-I

294
Linearity is a system property characterized by a direct input-output relationship, combining homogeneity and additivity.
Homogeneity dictates that if an input x(t) is multiplied by a constant c, the output y(t) is multiplied by the same constant. Mathematically, this is expressed as:
294

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Specifics of Data Collection and Data Processing during Formation of RailVista Dataset for Machine Learning- and Deep Learning-Based Applications.

Sensors (Basel, Switzerland)·2024
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 9, 2025

Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
07:49

Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization

Published on: November 26, 2019

8.1K

Conjunto de datos basado en la emulación EmuIoT-VT para NIDS en sistemas IoT

Antanas Čenys1, Simran Kaur Hora1, Nikolaj Goranin1

  • 1Department of Information Systems, Vilnius Gediminas Technical University, 10223 Vilnius, Lithuania.

Sensors (Basel, Switzerland)
|August 28, 2025
PubMed
Resumen

Un nuevo conjunto de datos equilibrado, EmuIoT-VT, aborda el desequilibrio de clase en los sistemas de detección de intrusiones en red (NIDS) basados en anomalías para la seguridad de Internet de las Cosas (IoT). Este conjunto de datos permite una detección más fiable de las amenazas a la red.

Palabras clave:
Internet de las cosasConjunto de datos de IoTSeguridad de la IoTdetección de anomalíasaprendizaje profundoAprendizaje automáticoDetección de intrusiones en la red

Más Videos Relacionados

Integration of 5G Experimentation Infrastructures into a Multi-Site NFV Ecosystem
10:15

Integration of 5G Experimentation Infrastructures into a Multi-Site NFV Ecosystem

Published on: February 3, 2021

3.9K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization
07:49

Automated Deployment of an Internet Protocol Telephony Service on Unmanned Aerial Vehicles Using Network Functions Virtualization

Published on: November 26, 2019

8.1K
Integration of 5G Experimentation Infrastructures into a Multi-Site NFV Ecosystem
10:15

Integration of 5G Experimentation Infrastructures into a Multi-Site NFV Ecosystem

Published on: February 3, 2021

3.9K
Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
06:37

Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention

Published on: December 15, 2023

4.1K

Área de la Ciencia:

  • Ciberseguridad
  • Sistemas de detección de intrusiones en la red (NIDS)
  • Aprendizaje automático en la seguridad de IoT

Sus antecedentes:

  • La proliferación de dispositivos del Internet de las Cosas (IoT) requiere mecanismos de seguridad sólidos.
  • Los NIDS basados en anomalías que utilizan el aprendizaje automático (ML) y el aprendizaje profundo (DL) son vitales para detectar anomalías de red.
  • El desequilibrio de los datos de clase en los conjuntos de datos existentes dificulta el rendimiento de los NIDS de anomalías basados en ML/DL.

Objetivo del estudio:

  • Introducir EmuIoT-VT, un conjunto de datos novedoso y equilibrado para desarrollar y evaluar NIDS basados en anomalías para IoT.
  • Presentar un nuevo método basado en la emulación para generar un tráfico de red de IoT realista.
  • Para abordar el desafío del desequilibrio de datos de clase en los conjuntos de datos de seguridad de IoT.

Principales métodos:

  • Desarrolló un nuevo método basado en la emulación para crear réplicas virtuales de dispositivos IoT para la generación de tráfico realista.
  • Recopilación de tráfico de red en un entorno aislado fuera de línea para garantizar la integridad de los datos.
  • Diseñó el conjunto de datos EmuIoT-VT para ser equilibrado por diseño, con 28.000 registros etiquetados distribuidos uniformemente.

Principales resultados:

  • Creado el conjunto de datos EmuIoT-VT, con 82 características extraídas de los datos del PCAP.
  • El conjunto de datos incluye una representación equilibrada entre dispositivos, clases y subclases.
  • Soporta tareas de clasificación binarias y multiclase, que cubren categorías de ataque como DoS, fuerza bruta, reconocimiento y explotación.

Conclusiones:

  • El conjunto de datos EmuIoT-VT proporciona una solución al problema del desequilibrio de clases en los conjuntos de datos de seguridad de redes IoT.
  • Facilita el desarrollo de NIDS basados en anomalías más precisos y fiables para entornos IoT.
  • Ofrece una base para futuras investigaciones en seguridad de redes IoT y detección de amenazas.