Skip to content
KitploitKITPLOIT
HerramientasExploitsBlog
Log in
Enviar
HerramientasExploitsBlog
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.

FeedsContactoPrivacidad© 2026 Kitploit

Directorio de Herramientas

Categorías

Ver todas las categorías
Loading categories
IoMT_SecAlarmBench — Un benchmark estandarizado para evaluar sistemas de alarma de seguridad en el Internet de las Cosas Médicas (IoMT): ataques, detección, resiliencia ante falsas alarmas y latencia. | Kitploit
Herramientas/GitHubGitHub/techosystem/iomt_secalarmbench
Herramientas DefensivasSeguridad IoTSeguridad de Hardware e IoTAprendizaje AutomáticoDetección de IntrusionesPapers e InvestigaciónDetección de AnomalíasLabs y Práctica
Compartir
GitHub
techosystem/iomt_secalarmbench

IoMT_SecAlarmBench

Un benchmark estandarizado para evaluar sistemas de alarma de seguridad en el Internet de las Cosas Médicas (IoMT): ataques, detección, resiliencia ante falsas alarmas y latencia.

Ver Repositorio
hace 2 mesesAún no revisado

IoMT-SecAlarmBench

Un benchmark contrafactual para ataques de integridad en el Internet de las Cosas Médicas.

Código complementario de "IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT".

Cuando se dispara una alarma de UCI, un detector de anomalías puede indicarte que la lectura es inusual. No puede decirte por qué — un deterioro genuino, un fallo del sensor o una medición falsificada que se sitúa dentro del rango fisiológico. Responder a eso requiere una verdad fundamental contrafactual: qué habría hecho la alarma si la red hubiera permanecido sana. Ninguna grabación recopilada de forma natural la contiene, porque nunca se observan ambos resultados del mismo evento.

Este benchmark la proporciona por construcción. Se inyectan ataques de integridad controlados en grabaciones genuinas acopladas de ECG+PPG, y para cada ventana atacada se conserva la señal limpia que se habría observado.


De un vistazo

Ventanas78.729 ventanas etiquetadas de 10 s, paso de 5 s, ECG+PPG de 2 canales a 125 Hz
Clases39.882 ataque · 32.875 fisiología-normal · 5.350 fallo/artefacto · 622 evento-fisiológico
Columna vertebral627 registros CinC 2015 que portan el par central ECG+PPG (231 alarmas verdaderas / 396 falsas)
Espacio de inyección{replay} ∪ (4 morfologías × 4 niveles de gravedad × 2 regímenes de plausibilidad)
Particionespor paciente 436 / 91 / 100, estratificadas por tipo de arritmia
Contrafactualseñal limpia exacta previa a la inyección conservada por ventana atacada

Resultados destacados. Ningún detector entre cinco familias de métodos supera de forma consistente el límite de rendimiento: los ataques de replay y los picos transitorios de baja amplitud se sitúan en 1,2–1,7× el azar para las seis líneas base. El detector más fuerte en casos difíciles marca ventanas de fallo/artefacto a 5,3× su propia tasa de falsas alarmas en datos normales — la ambigüedad ataque-versus-fallo, localizada en una relación de señal específica y medible.


Instalación

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 está fijado a la compilación de CUDA 12.8 utilizada para las ejecuciones reportadas; consulta docs/REPRODUCE.md para la URL del índice. La línea base clásica (Isolation Forest), el generador y la auditoría de fuga se ejecutan en CPU sin PyTorch.

Obtener los datos

Aquí no se redistribuye nada (consulta LICENSE-DATA.md). Obtén las fuentes:

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

WUSTL-EHMS-2020 debe solicitarse a sus autores y colocarse en data/wustl/wustl-ehms-2020.csv.

Construir el benchmark

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

Determinista bajo la semilla configurada. Se esperan 78.729 ventanas; el generador imprime el histograma de clases para que puedas compararlo con la tabla anterior.

Reproducir el artículo

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

Esto escribe un directorio con marca de tiempo bajo results/ que contiene un manifest.json que registra la configuración, las versiones de los paquetes, la GPU y el MD5 de cada módulo fuente — incluidos los valores constantes de severidad de la Tabla I. Las ejecuciones reportadas son 20260730-205501 (Tabla III) y 20260730-222727 (Tabla IV). Puntos de entrada por componente:

Sección del artículoComando
Detección RQ1 (Tabla III)python src/rq1_report.py
Sigilo RQ2 (Tabla IV)python src/eval_harness.py --matched-far 0.10
Discriminación RQ3 (Tabla V)python src/rq3_discrimination.py
Eficiencia RQ4python src/eval_harness.py --profile
Auditoría de fugapython src/wustl_leakage.py
Atribución (aplazada; véase §VIII)python src/rq2_attribution_v3.py
Figurasmake figures

Lea docs/REPRODUCE.md antes de comparar cifras. Dos reglas no son opcionales: compare los detectores sin umbral o con un presupuesto de falsas alarmas emparejado, nunca en el punto de F₁ máxima propio de cada método (se desplaza hasta ±0.234 entre semillas mientras que el AUPRC sin umbral se desplaza ≤0.013), y reporte el AUPRC frente a su nivel base aleatorio, que difiere por subconjunto.

Estructura

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.

Problemas conocidos

Registrados abiertamente y discutidos en el artículo:

  • Inyección de objetivo único. Todos los ataques de esta versión se dirigen al canal pulsátil, por lo que la localización a nivel de canal es degenerada — un predictor que siempre responde "PPG" obtiene AC@1 = 1.000. Por esta razón no se reporta ninguna línea base de atribución. Una atribución no degenerada requiere que el objetivo varíe entre canales.
  • Saturación de severidad. En 6 de 16 celdas elaboradas la magnitud programada alcanza el límite de plausibilidad, por lo que el FDI dentro de los límites se recorta y L3–L4 son ordinales en lugar de proporcionales.
  • El oráculo contrafactual a nivel de alarma está especificado pero no implementado.
  • Corpus único. Todos los resultados fisiológicos provienen de los registros de CinC de 5–5.5 min centrados en alarmas.

Citación

Consulte CITATION.cff y cite también los corpus de origen.

No apto para uso clínico

Recomendado para la evaluación comparativa de detección, discriminación, atribución y auditoría de fugas. No para decisiones de despliegue clínico, ni para entrenar sistemas de alarma sin validación prospectiva.

Descargar herramienta

Más Populares

Ver todos →

Descubre las herramientas más usadas por nuestra comunidad.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 El kit de herramientas OSINT definitivo: grafo de investigación, puntuación de confianza, familias de alias, mapa, línea de tiempo e informes. 49 módulos, más de 400 sitios, sin necesidad de claves API.

    696
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicación de Ejecución con un Solo Toque GhostLock (CVE-2026-43499)

    499
  • 3

    ARTEX

    baarai/artex

    Plataforma de pruebas de penetración autónoma multiagente basada en LLM con agentes planificadores/trabajadores, grafos de activos y de exploración, registro de tráfico MITM y reevaluación de vulnerabilidades.

    396
  • 4

    redforge

    cybersecurity91/redforge

    Kit de herramientas de red team del lado del navegador con 102 herramientas offline para reconocimiento, generación de payloads, ataques de credenciales, criptografía, codificación y elaboración de informes de compromiso.

    340
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    El sistema de acción para la ciberseguridad nativa de IA—donde la intención se convierte en ejecución gobernada, la evidencia se convierte en memoria operativa y cada operación mejora la siguiente.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de pruebas de penetración autónoma con múltiples agentes de IA que ejecuta reconocimiento, descubrimiento de superficie de ataque, validación de explotación y entrega de informes respaldados por evidencia.

    257

Explora todas las herramientas

Explora nuestra colección de herramientas

Ver todas las herramientas →