Video Experimental Relacionado
Updated: May 4, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
11.2K
Detección inteligente de amenazas de ciberseguridad basada en IA mediante datos de sensores multimodales en
Muhammad Latif1, Abdul Ahad Abro2, Syed Muhammad Daniyal3
1Iqra University, Karachi, Pakistan.
Scientific reports
|February 26, 2026
Resumen
Este estudio presenta un enfoque de aprendizaje profundo que utiliza datos de sensores multimodales para detectar ciberataques en sistemas de Internet de las cosas (IoT). La arquitectura novedosa identifica eficazmente las amenazas, ofreciendo una solución escalable para entornos con recursos limitados.
Área de la Ciencia:
- Ciberseguridad
- Inteligencia Artificial
- Internet de las cosas (IoT)
Sus antecedentes:
- Los sistemas de Internet de las cosas (IoT) presentan vulnerabilidades ciberfísicas únicas.
- La detección de intrusiones tradicional basada en red tiene dificultades con las actividades maliciosas generadas por sensores en el dispositivo.
Objetivo del estudio:
- Introducir una arquitectura de detección multimodal para la detección de ciberataques en dispositivos IoT.
- Aprovechar datos de sensores heterogéneos (aceleración, giroscopio, micrófono, temperatura) para mejorar la identificación de amenazas.
Principales métodos:
- Se desarrolló una arquitectura híbrida de aprendizaje profundo que combina Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN) y Transformers.
- Se implementó la fusión de características y el análisis de interacciones espacio-temporales entre las modalidades de sensores.
- Se evaluó el marco en un conjunto de datos multimodales personalizado y en conjuntos de datos públicos (CICIDS-2017, IoT-23).
Principales resultados:
- Se logró un alto Área Bajo la Curva (AUC) de 0.96 y una puntuación F1 de 0.94.
- Se demostró una baja latencia de inferencia de 23 ms en hardware de borde, lo que confirma la implementabilidad en tiempo real.
- Se validó la efectividad del aprendizaje profundo multimodal para la detección de amenazas ciberfísicas.
Conclusiones:
- El aprendizaje profundo multimodal ofrece un método potente y escalable para la detección de amenazas ciberfísicas en IoT.
- La arquitectura propuesta aborda eficazmente las limitaciones de los sistemas de detección de intrusiones tradicionales en entornos IoT.
- El marco es adecuado para la implementación en tiempo real en entornos IoT con recursos limitados.
