Jove
Visualize
Contáctanos
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

Videos de Conceptos Relacionados

Issues And Trends In Healthcare Delivery System01:29

Issues And Trends In Healthcare Delivery System

6.1K
The issues and trends in healthcare delivery are constantly changing. The COVID-19 pandemic is one recent issue that wreaked havoc on healthcare systems, causing a shortage of healthcare workers, high demand for medicines and supplies, and increased medical expenditure due to a lack of insurance. Other issues include rising healthcare costs and care fragmentation.
Cost Containment
Payment for healthcare services has historically promoted adoption of costly and often unnecessary or inefficient...
6.1K
Steps in Outbreak Investigation01:18

Steps in Outbreak Investigation

466
In the ever-evolving field of public health, statistical analysis serves as a cornerstone for understanding and managing disease outbreaks. By leveraging various statistical tools, health professionals can predict potential outbreaks, analyze ongoing situations, and devise effective responses to mitigate impact. For that to happen, there are a few possible stages of the analysis:
466

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Automatic prediction of cotton leaf's diseases using deep learning techniques.

Scientific reports·2026
Same author

Benefits of building information modeling (BIM) for construction projects success in Pakistan.

Scientific reports·2026
Same author

Impact of Project Communication on Project Success (Health Projects): Mediating Role of Work Engagement.

Journal of epidemiology and global health·2026
Same author

Explainable Computational Imaging for Precision Oncology: An Interpretable Deep Learning Framework for Bladder Cancer Histopathology Diagnosis.

Bioengineering (Basel, Switzerland)·2026
Same author

Explainable federated transformer framework for joint leukemia classification and stage prediction.

Scientific reports·2026
Same author

AI-driven intrusion detection and lightweight authentication framework for secure and efficient medical sensor networks.

Scientific reports·2025

Video Experimental Relacionado

Updated: Jun 18, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

Aseguramiento de redes IoT: un enfoque de aprendizaje automático para detectar patrones de tráfico inusuales

Nadeem Sarwar1, Raed S Alharthi2, Mansourah Aljohani3

  • 1Department of Computer Science, Bahria University Lahore Campus, Lahore, 54600, Pakistan. nadeem_srwr@yahoo.com.

Scientific reports
|December 27, 2025
PubMed
Resumen

Este estudio presenta un marco de aprendizaje automático (ML) para la seguridad de Internet de las Cosas (IoT), que detecta eficazmente el tráfico anómalo. Un modelo de red neuronal logró un rendimiento superior en la identificación y prevención de anomalías en redes IoT.

Palabras clave:
Detección de anomalíasPreprocesamiento de datosÁrboles de decisiónIngeniería de característicasSeguridad IoTAprendizaje automáticoSeguridad de redes

Videos de Experimentos Relacionados

Last Updated: Jun 18, 2026

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

Área de la Ciencia:

  • Ciberseguridad
  • Aprendizaje automático
  • Seguridad de redes

Sus antecedentes:

  • La rápida expansión de Internet de las Cosas (IoT) presenta importantes vulnerabilidades de seguridad debido a su arquitectura compleja y distribuida.
  • Las medidas de seguridad existentes luchan por hacer frente a la escala y diversidad de las redes IoT, lo que requiere soluciones avanzadas.

Objetivo del estudio:

  • Desarrollar y evaluar un marco de aprendizaje automático (ML) para mejorar la seguridad de las redes de Internet de las Cosas (IoT).
  • Identificar y mitigar patrones de tráfico anómalos que indiquen amenazas de seguridad en entornos IoT.

Principales métodos:

  • Se utilizó un pipeline integral de preprocesamiento de datos, que incluye limpieza, integración, transformación e ingeniería de características.
  • Se integraron los conjuntos de datos NBaIoT y UNSW-NB15 para crear un entorno robusto para el análisis.
  • Se evaluó el rendimiento de varios modelos de ML, incluidos Árbol de Decisión, SVM, Random Forest y una Red Neuronal.

Principales resultados:

  • El modelo de árbol de decisión logró una precisión del 95%, SVM 96% y Random Forest 97%.
  • El modelo de red neuronal demostró un rendimiento superior con 98% de precisión y 97% de recuperación.
  • El marco basado en redes neuronales resultó más eficaz en la detección y prevención de anomalías en el tráfico IoT en comparación con otros modelos evaluados.

Conclusiones:

  • El aprendizaje automático ofrece un enfoque prometedor para desarrollar soluciones de detección de anomalías robustas, escalables y en tiempo real para redes IoT.
  • El marco de red neuronal propuesto muestra un potencial significativo para mejorar la seguridad de IoT.
  • La investigación futura debe centrarse en la implementación práctica y la incorporación de conjuntos de datos y métodos de ML adicionales para mejorar la flexibilidad y resiliencia del modelo.