Skip to content
KitploitKITPLOIT
ToolsExploitsBlog
Log in
Einreichen
ToolsExploitsBlog
Einreichen

Hacking-, PenTest- und Cybersicherheits-Tools für Ihr Sicherheitsarsenal!

Kitploit ist ein Verzeichnis von Hacking-, Cybersicherheits- und Pentesting-Tools. Entdecken Sie die neuesten Projekt-Updates, um Schwachstellen zu finden, Systeme zu analysieren, Tests zu automatisieren und Ihre Sicherheit zu stärken.

FeedsKontaktDatenschutz© 2026 Kitploit

Tool-Verzeichnis

Kategorien

Alle Kategorien anzeigen
Loading categories
IoMT_SecAlarmBench — Ein standardisierter Benchmark zur Bewertung von Sicherheitsalarmsystemen im Internet of Medical Things (IoMT) – Angriffe, Erkennung, Fehlalarmresistenz und Latenz. | Kitploit
Tools/GitHubGitHub/techosystem/iomt_secalarmbench
DefensivwerkzeugeIoT-SicherheitHardware- & IoT-SicherheitMaschinelles LernenEinbruchserkennungPapers & ForschungAnomalieerkennungLabs & Praxis
Teilen
GitHub
techosystem/iomt_secalarmbench

IoMT_SecAlarmBench

Ein standardisierter Benchmark zur Bewertung von Sicherheitsalarmsystemen im Internet of Medical Things (IoMT) – Angriffe, Erkennung, Fehlalarmresistenz und Latenz.

Repository anzeigen
vor 2 MonatenNoch nicht geprüft

IoMT-SecAlarmBench

Ein kontrafaktischer Benchmark für Integritätsangriffe im Internet of Medical Things.

Begleitcode zu „IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT".

Wenn ein Alarm auf der Intensivstation ausgelöst wird, kann ein Anomalie-Detektor Ihnen sagen, dass der Messwert ungewöhnlich ist. Er kann Ihnen nicht sagen, warum — echte Verschlechterung, ein Sensorfehler oder eine gefälschte Messung, die innerhalb des physiologischen Bereichs liegt. Um das zu beantworten, braucht man kontrafaktische Ground Truth: was der Alarm getan hätte, wäre das Netzwerk gesund geblieben. Keine natürlich aufgezeichnete Aufnahme enthält sie, denn man beobachtet nie beide Ausgänge desselben Ereignisses.

Dieser Benchmark liefert sie durch Konstruktion. Kontrollierte Integritätsangriffe werden in echte gekoppelte ECG+PPG-Aufzeichnungen injiziert, und für jedes angegriffene Fenster wird das saubere Signal, das beobachtet worden wäre, beibehalten.


Auf einen Blick

Fenster78.729 gelabelte 10-s-Fenster, 5-s-Schritt, 2-Kanal-ECG+PPG bei 125 Hz
Klassen39.882 Angriff · 32.875 physiologisch normal · 5.350 Fehler/Artefakt · 622 physiologisches Ereignis
Rückgrat627 CinC-2015-Aufzeichnungen mit dem ECG+PPG-Kernpaar (231 echte / 396 falsche Alarme)
Injektionsraum{Replay} ∪ (4 Morphologien × 4 Schweregrade × 2 Plausibilitätsregime)
Splitspatientenweise 436 / 91 / 100, stratifiziert nach Arrhythmietyp
Kontrafaktischexaktes sauberes Signal vor der Injektion pro angegriffenem Fenster beibehalten

Zentrale Ergebnisse. Kein Detektor aus fünf Methodenfamilien überschreitet konsistent die Leistungsgrenze: Replay-Angriffe und niederamplitudige transiente Spikes liegen bei allen sechs Baselines bei 1,2–1,7× Zufall. Der stärkste Detektor bei schwierigen Fällen markiert Fehler/Artefakt-Fenster mit 5,3× seiner eigenen Falschalarmrate bei normalen Daten — die Ambiguität zwischen Angriff und Fehler, lokalisiert auf eine spezifische, messbare Signalbeziehung.


Installation

git clone https://github.com/techosystem/IoMT-SecAlarmBench.git
cd IoMT-SecAlarmBench
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt

PyTorch ist auf den CUDA-12.8-Build festgelegt, der für die dokumentierten Läufe verwendet wurde; siehe docs/REPRODUCE.md für die Index-URL. Die klassische Baseline (Isolation Forest), der Generator und das Leakage-Audit laufen auf der CPU ohne PyTorch.

Daten abrufen

Hier wird nichts weiterverbreitet (siehe LICENSE-DATA.md). Rufen Sie die Quellen ab:

bash scripts/get_data.sh          # downloads CinC 2015 into data/cinc2015/

WUSTL-EHMS-2020 muss bei seinen Autoren angefordert und unter data/wustl/wustl-ehms-2020.csv abgelegt werden.

Den Benchmark erstellen

python src/injection_generator.py --config configs/benchmark.yaml --out data/benchmark/

Deterministisch unter dem konfigurierten Seed. Erwartet werden 78.729 Fenster; der Generator gibt das Klassenhistogramm aus, sodass Sie es mit der obigen Tabelle abgleichen können.

Das Paper reproduzieren

python scripts/run_all.py --config configs/benchmark.yaml --seeds 0 1 2 3 4 --deterministic

Dies schreibt ein zeitgestempeltes Verzeichnis unter results/, das eine manifest.json enthält, die Konfiguration, Paketversionen, GPU und die MD5 jedes Quellmoduls aufzeichnet — einschließlich der Schweregrad-Konstanten aus Tabelle I. Gemeldete Läufe sind 20260730-205501 (Tabelle III) und 20260730-222727 (Tabelle IV). Einstiegspunkte pro Komponente:

Abschnitt des PapersBefehl
RQ1-Erkennung (Tabelle III)python src/rq1_report.py
RQ2-Tarnung (Tabelle IV)python src/eval_harness.py --matched-far 0.10
RQ3-Unterscheidung (Tabelle V)python src/rq3_discrimination.py
RQ4-Effizienzpython src/eval_harness.py --profile
Leckage-Auditpython src/wustl_leakage.py
Attribution (zurückgestellt; siehe §VIII)python src/rq2_attribution_v3.py
Abbildungenmake figures

Lesen Sie docs/REPRODUCE.md, bevor Sie Zahlen vergleichen. Zwei Regeln sind nicht optional: Vergleichen Sie Detektoren schwellenwertfrei oder bei einem angeglichenen Fehlalarm-Budget, niemals am jeweiligen Max-F₁-Punkt jeder Methode (dieser verschiebt sich um bis zu ±0.234 über Seeds, während sich schwellenwertfreies AUPRC um ≤0.013 verschiebt), und berichten Sie AUPRC gegen seinen Zufallsboden, der sich je nach Teilmenge unterscheidet.

Layout

src/          generator, adapters, detectors, evaluation  (flat imports; run from repo root)
scripts/      get_data.sh, run_all.py
configs/      benchmark.yaml, detectors.yaml
figures/      figure generation scripts
docs/         REPRODUCE.md
tests/        smoke tests
results/      run outputs (gitignored except manifest.json)
DATASHEET.md  full datasheet, following Gebru et al.

Bekannte Probleme

Offen dokumentiert und im Paper diskutiert:

  • Single-Target-Injection. Alle Angriffe in dieser Version zielen auf den pulsatile Kanal, sodass die Lokalisierung auf Kanalebene degeneriert ist — ein Prädiktor, der immer „PPG“ antwortet, erzielt AC@1 = 1.000. Aus diesem Grund wird keine Attributions-Baseline berichtet. Eine nicht-degenerierte Attribution erfordert, dass das Ziel über die Kanäle variiert.
  • Schweregrad-Sättigung. In 6 von 16 präparierten Zellen erreicht die geplante Magnitude die Plausibilitätsgrenze, sodass In-Bound-FDI abgeschnitten wird und L3–L4 ordinal statt proportional sind.
  • Counterfactual-Oracle auf Alarmebene ist spezifiziert, aber nicht implementiert.
  • Einzelnes Korpus. Alle physiologischen Ergebnisse stammen aus den 5–5,5-minütigen, alarmzentrierten Aufzeichnungen von CinC.

Zitieren

Siehe CITATION.cff und zitieren Sie zusätzlich die Quellkorpora.

Nicht für den klinischen Einsatz

Empfohlen für das Benchmarking von Erkennung, Diskriminierung, Attribution und Leakage-Auditing. Nicht für klinische Deployment-Entscheidungen und nicht für das Training von Alarmsystemen ohne prospektive Validierung.

Tool herunterladen

Beliebteste

Alle anzeigen →

Entdecken Sie die meistgenutzten Tools unserer Community.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 Das ultimative OSINT-Toolkit: Untersuchungsgraph, Konfidenzbewertung, Alias-Familien, Karte, Zeitleiste und Berichte. 49 Module, 400+ Websites, keine API-Schlüssel erforderlich.

    696
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    GhostLock One-Tap Execution App (CVE-2026-43499)

    499
  • 3

    ARTEX

    baarai/artex

    LLM-basierte Multi-Agenten-Plattform für autonome Penetrationstests mit Planer-/Worker-Agenten, Asset- und Explorationsgraphen, MITM-Verkehrsaufzeichnung und Schwachstellen-Retesting.

    396
  • 4

    redforge

    cybersecurity91/redforge

    Browser-seitiges Red-Team-Toolkit mit 102 Offline-Tools für Recon, Payload-Generierung, Credential-Angriffe, Krypto, Encoding und Engagement-Reporting.

    340
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Das System der Handlung für KI-native Cybersicherheit – wo Absicht zu gesteuerter Ausführung wird, Beweise zu operativem Gedächtnis werden und jeder Einsatz den nächsten verbessert.

    258
  • 6

    antifox

    antifox-ai/antifox

    KI-Multi-Agenten-Plattform für autonome Penetrationstests, die Recon, Angriffsflächen-Erkennung, Exploit-Validierung und evidenzbasierte Berichtserstellung durchführt.

    257

Alle Tools erkunden

Durchsuchen Sie unsere Tool-Sammlung

Alle Tools anzeigen →