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

Video Experimental Relacionado

Updated: Feb 22, 2026

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents
06:25

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

Published on: May 16, 2025

1.4K

Implementación de un detector de ciberataques basado en RL con enfoque de umbral VaR

Ali Khoshlahjeh Sedgh1, Omid Payam1, Hamid Reza Chavoshi1

  • 1The Department of Systems and Control, Faculty of Electrical Engineering, K. N. Toosi University of Technology, Tehran 1631714191, Iran.

ISA transactions
|February 20, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

Difference from Background: Limit of Detection01:05

Difference from Background: Limit of Detection

8.6K
The limit of detection (LOD) is the smallest amount of analyte that can be distinguished from the background noise. The LOD value corresponds to the concentration at which the analyte signal is three times larger than the standard deviation of the blank signal. Below this value, the analyte signal cannot be differentiated from the background noise. It is calculated by dividing the calibration slope by 3 times the standard deviation of the blank signals.
The LOD indicates the presence or absence...
8.6K

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

Modeling and Analysis of COVID-19 Spread: The Impacts of Nonpharmaceutical Protocols.

Computational and mathematical methods in medicine·2022
Same author

Tail conditional moment for generalized skew-elliptical distributions.

Journal of applied statistics·2022
Same author

Adaptive state-dependent impulsive observer design for nonlinear deterministic and stochastic dynamics with time-delays.

ISA transactions·2019
Same author

On the design of human immunodeficiency virus treatment based on a non-linear time-delay model.

IET systems biology·2014
Same author

Optimal drug regimens in cancer chemotherapy: a multi-objective approach.

Computers in biology and medicine·2013
Same author

Estimation of region of attraction for polynomial nonlinear systems: a numerical method.

ISA transactions·2013

Este estudio presenta un método novedoso sin modelo para la detección de ciberataques en sistemas de control de nivel de líquido utilizando aprendizaje por refuerzo. Identifica eficazmente amenazas sofisticadas como ataques FDI, DoS y MitM en tiempo real.

Área de la Ciencia:

  • Seguridad de Sistemas Ciberfísicos (CPS)
  • Análisis de vulnerabilidad de Sistemas de Control en Red (NCS)
  • Aplicaciones de aprendizaje automático en control industrial

Sus antecedentes:

  • La creciente conectividad en CPS y NCS plantea importantes preocupaciones de ciberseguridad.
  • Los métodos de detección existentes a menudo requieren modelos del sistema, lo que limita su aplicabilidad.
  • Las amenazas cibernéticas sofisticadas exigen estrategias de detección avanzadas y en tiempo real.

Objetivo del estudio:

  • Desarrollar y validar un método de detección de ciberataques en tiempo real y sin modelo para un CPS de Control de Nivel de Líquido (LLC-CPS).
  • Aprovechar el Aprendizaje por Refuerzo (RL) y el Valor en Riesgo (VaR) para una detección de anomalías robusta.
  • Abordar los desafíos que plantean la dinámica del sistema y el ruido no gaussiano en la detección de ataques.
Palabras clave:
Sistemas ciberfísicosDetección de ciberataquesControl de nivel de líquidoDetección sin modeloAprendizaje por refuerzoVaR

Videos de Experimentos Relacionados

Last Updated: Feb 22, 2026

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents
06:25

A Real-Time Interactive System for Studying Confrontational Pursuit Behavior in Rodents

Published on: May 16, 2025

1.4K

Principales métodos:

  • Se utilizó Q-learning para estimar una secuencia de desviación de Bellman para la detección de anomalías, eliminando la necesidad de un modelo de sistema explícito.
  • Se implementó un enfoque de umbral de Valor en Riesgo (VaR) para manejar residuos de cola pesada y distribuciones no gaussianas.
  • Se validó experimentalmente el método contra ataques de Inyección de Datos Falsos (FDI), Denegación de Servicio (DoS) y Man-in-the-Middle (MitM).

Principales resultados:

  • El método propuesto demostró una detección confiable en tiempo real de diversas amenazas cibernéticas en un LLC-CPS.
  • Se logró una separación efectiva de los estados operativos normales de las condiciones de ataque, incluso con complejidades del sistema.
  • El rendimiento se evaluó utilizando la Tasa de Falsas Alarmas (FAR), la Tasa de Alarmas Perdidas (MAR), el Retraso de Detección (DD), la precisión y la puntuación F1, mostrando resultados prometedores.

Conclusiones:

  • El enfoque sin modelo basado en RL con umbral VaR ofrece una solución viable para proteger los CPS contra amenazas cibernéticas avanzadas.
  • La efectividad del método se confirma a través de experimentos prácticos, destacando su robustez y adaptabilidad.
  • Esta investigación contribuye a mejorar la postura de ciberseguridad de los sistemas de control industrial.