Skip to content
KitploitKITPLOIT
HerramientasBlog
Enviar
HerramientasBlog
Enviar

¡Herramientas de Hacking, PenTest y Ciberseguridad para tu Arsenal de Seguridad!

Kitploit es un directorio de herramientas de hacking, ciberseguridad y pentesting. Descubre las últimas actualizaciones de proyectos para encontrar vulnerabilidades, analizar sistemas, automatizar pruebas y fortalecer tu seguridad.

··Feeds·Contacto·Privacidad·© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
Jammer-Loc — Implementa métodos de aprendizaje automático y profundo para la localización de interferidores UWB en interiores, incluyendo optimización de hiperparámetros, clasificación y regresión sobre conjuntos de datos del mundo real. | Kitploit
Herramientas/GitHubGitHub/afbf4c8996f/jammer-loc
Seguridad InalámbricaAprendizaje AutomáticoPapers e InvestigaciónAprendizaje y EducaciónDetección de Anomalías
GitHubafbf4c8996f/jammer-loc

Jammer-Loc

Implementa métodos de aprendizaje automático y profundo para la localización de interferidores UWB en interiores, incluyendo optimización de hiperparámetros, clasificación y regresión sobre conjuntos de datos del mundo real.

Ver Repositorio
hace 10 mesesAún no revisado

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →
Compartir

Jammer-Loc Figure

Jammer-Loc

Este repositorio incluye el código y el enlace al conjunto de datos para el artículo
“Machine and Deep Learning for Indoor UWB Jammer Localization.”


Ejemplo de uso

Ejecute el proceso de optimización de hiperparámetros:

root@kitploit:~
python hpo.py \
  --task classification \
  --mode actual \
  --framework ml \
  --config config.yaml \
  --trials 50 \
  --study-name my_study
  1. Los modelos y las métricas deben ser guardados por main.py en el formato esperado.
  2. Los resultados de Optuna se guardan en hpo.db de forma predeterminada.
  3. Todas las opciones de línea de comandos están definidas en hpo.py mediante argparse. Consulte ese archivo para conocer las descripciones y las banderas adicionales.

Clasificación y regresión en la fuente y prueba en el conjunto de prueba

Para ejecutar la clasificación o la regresión en el conjunto de datos fuente y probarla en el conjunto de prueba, puede usar:

root@kitploit:~
python main.py --config config.yaml
  1. Las salidas y las métricas se guardarán en el directorio definido por cfg.output.directory.
  2. Todos los puntos de control y las métricas de los modelos se guardarán por modelo (p. ej., outputs/simple_nn/).
  3. En caso de fallo en tiempo de ejecución, se registrará información de registro detallada — incluidos mensajes de error estructurados y trazas de pila — para facilitar la depuración sistemática y el análisis de la causa raíz.

Alineación de dominios

Los nombres de archivo de los métodos de alineación de dominios se corresponden directamente con sus respectivos nombres en la publicación.


Configuración de rutas

Asegúrese de ajustar las rutas según la estructura de su proyecto en el archivo config.yaml.


Conjuntos de datos

Debido a las limitaciones de tamaño, los conjuntos de datos sin procesar no se incluyen en este repositorio.
Se pueden descargar desde DOI.

Sin embargo, para facilitar la ejecución inmediata del código, se proporcionan dos archivos Parquet en este repositorio para los dominios fuente y destino. Los archivos comprimidos de arreglos NumPy (.npz), que contienen los datos para los modelos de alineación de dominios, se pueden acceder a través del enlace anterior.

Descargar herramienta