Skip to content
KitploitKITPLOIT
OutilsExploitsBlog
Log in
Soumettre
OutilsExploitsBlog
Soumettre

Outils de Hacking, PenTest et Cybersécurité pour votre Arsenal de Sécurité !

Kitploit est un répertoire d'outils de hacking, de cybersécurité et de pentesting. Découvrez les dernières mises à jour des projets pour trouver des vulnérabilités, analyser des systèmes, automatiser les tests et renforcer votre sécurité.

FluxContactConfidentialité© 2026 Kitploit

Répertoire d'outils

Catégories

Voir toutes les catégories
Loading categories
IoMT_SecAlarmBench — Un benchmark standardisé pour évaluer les systèmes d'alarme de sécurité dans l'Internet des objets médicaux (IoMT) - attaques, détection, résilience aux fausses alarmes et latence. | Kitploit
Outils/GitHubGitHub/techosystem/iomt_secalarmbench
Outils DéfensifsSécurité IoTSécurité Matériel et IoTApprentissage AutomatiqueDétection d'IntrusionArticles et RechercheDétection d'AnomaliesLabs et Pratique
Partager
GitHub
techosystem/iomt_secalarmbench

IoMT_SecAlarmBench

Un benchmark standardisé pour évaluer les systèmes d'alarme de sécurité dans l'Internet des objets médicaux (IoMT) - attaques, détection, résilience aux fausses alarmes et latence.

Voir le dépôt
il y a 2 moisPas encore vérifié

IoMT-SecAlarmBench

Un benchmark contrefactuel pour les attaques d'intégrité dans l'Internet des objets médicaux.

Code d'accompagnement pour « IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT ».

Lorsqu'une alarme d'USI se déclenche, un détecteur d'anomalies peut vous dire que la mesure est inhabituelle. Il ne peut pas vous dire pourquoi — une détérioration réelle, un défaut de capteur, ou une mesure usurpée qui se situe dans la plage physiologique. Pour y répondre, il faut une vérité de référence contrefactuelle : ce que l'alarme aurait fait si le réseau était resté sain. Aucun enregistrement collecté naturellement ne la contient, car vous n'observez jamais les deux issues d'un même événement.

Ce benchmark la fournit par construction. Des attaques d'intégrité contrôlées sont injectées dans de véritables enregistrements couplés ECG+PPG, et pour chaque fenêtre attaquée, le signal propre qui aurait été observé est conservé.


En bref

Fenêtres78 729 fenêtres étiquetées de 10 s, pas de 5 s, ECG+PPG à 2 canaux à 125 Hz
Classes39 882 attaque · 32 875 physiologie normale · 5 350 défaut/artefact · 622 événement physiologique
Colonne vertébrale627 enregistrements CinC 2015 portant la paire centrale ECG+PPG (231 vraies / 396 fausses alarmes)
Espace d'injection{rejeu} ∪ (4 morphologies × 4 niveaux de gravité × 2 régimes de plausibilité)
Découpagespar patient 436 / 91 / 100, stratifiés par type d'arythmie
Contrefactuelsignal propre exact pré-injection conservé pour chaque fenêtre attaquée

Résultats principaux. Aucun détecteur parmi cinq familles de méthodes ne dépasse systématiquement la limite de performance : les attaques par rejeu et les pics transitoires de faible amplitude se situent à 1,2–1,7× le hasard pour les six références. Le détecteur le plus performant sur les cas difficiles signale les fenêtres de défaut/artefact à 5,3× son propre taux de fausses alarmes sur des données normales — l'ambiguïté attaque-contre-défaut, localisée à une relation de signal spécifique et mesurable.


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 est épinglé à la version CUDA 12.8 utilisée pour les exécutions rapportées ; voir docs/REPRODUCE.md pour l'URL de l'index. La baseline classique (Isolation Forest), le générateur et l'audit de fuite s'exécutent sur CPU sans PyTorch.

Obtenir les données

Rien n'est redistribué ici (voir LICENSE-DATA.md). Récupérez les sources :

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

WUSTL-EHMS-2020 doit être demandé à ses auteurs et placé à l'emplacement data/wustl/wustl-ehms-2020.csv.

Construire le benchmark

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

Déterministe selon la graine configurée. Attendez-vous à 78 729 fenêtres ; le générateur affiche l'histogramme des classes afin que vous puissiez le comparer au tableau ci-dessus.

Reproduire l'article

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

Cela écrit un répertoire horodaté sous results/ contenant un manifest.json qui enregistre la configuration, les versions des paquets, le GPU et le MD5 de chaque module source — y compris les constantes de sévérité du Tableau I. Les exécutions rapportées sont 20260730-205501 (Tableau III) et 20260730-222727 (Tableau IV). Points d'entrée par composant :

Section de l'articleCommande
Détection RQ1 (Tableau III)python src/rq1_report.py
Furtivité RQ2 (Tableau IV)python src/eval_harness.py --matched-far 0.10
Discrimination RQ3 (Tableau V)python src/rq3_discrimination.py
Efficacité RQ4python src/eval_harness.py --profile
Audit de fuitepython src/wustl_leakage.py
Attribution (différée ; voir §VIII)python src/rq2_attribution_v3.py
Figuresmake figures

Lisez docs/REPRODUCE.md avant de comparer les chiffres. Deux règles ne sont pas facultatives : comparer les détecteurs sans seuil ou à un budget de fausses alarmes apparié, jamais au point max-F₁ propre à chaque méthode (il varie jusqu'à ±0,234 selon les graines tandis que l'AUPRC sans seuil varie de ≤0,013), et rapporter l'AUPRC par rapport à son plancher du hasard, qui diffère selon le sous-ensemble.

Arborescence

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.

Problèmes connus

Consignés ouvertement et discutés dans l'article :

  • Injection à cible unique. Toutes les attaques de cette version ciblent le canal pulsatile, de sorte que la localisation au niveau du canal est dégénérée — un prédicteur qui répond toujours « PPG » obtient AC@1 = 1.000. Aucune référence d'attribution n'est rapportée pour cette raison. Une attribution non dégénérée nécessite que la cible varie selon les canaux.
  • Saturation de la sévérité. Dans 6 des 16 cellules conçues, la magnitude planifiée atteint la borne de plausibilité, de sorte que l'FDI dans les limites est écrêtée et que L3–L4 sont ordinaux plutôt que proportionnels.
  • L'oracle contrefactuel au niveau de l'alarme est spécifié mais non implémenté.
  • Corpus unique. Tous les résultats physiologiques proviennent des enregistrements de 5–5,5 min centrés sur l'alarme de CinC.

Citation

Voir CITATION.cff, et citez également les corpus sources.

Non destiné à un usage clinique

Recommandé pour l'évaluation comparative de la détection, de la discrimination, de l'attribution et de l'audit des fuites. Non destiné aux décisions de déploiement clinique, ni à l'entraînement de systèmes d'alarme sans validation prospective.

Télécharger l’outil

Populaires

Voir tout →

Découvrez les outils les plus utilisés par notre communauté.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 La boîte à outils OSINT ultime : graphe d'enquête, notation de confiance, familles d'alias, carte, chronologie et rapports. 49 modules, plus de 400 sites, aucune clé API requise.

    696
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Application d'exécution en un clic GhostLock (CVE-2026-43499)

    499
  • 3

    ARTEX

    baarai/artex

    Plateforme autonome de tests d'intrusion multi-agents basée sur des LLM, avec agents planificateur/ouvrier, graphes d'actifs et d'exploration, enregistrement du trafic MITM et retest des vulnérabilités.

    396
  • 4

    redforge

    cybersecurity91/redforge

    Boîte à outils red team côté navigateur avec 102 outils hors ligne pour la reconnaissance, la génération de payloads, les attaques par identifiants, la cryptographie, l'encodage et le reporting d'engagement.

    340
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    Le système d'action pour la cybersécurité native IA—où l'intention devient une exécution gouvernée, les preuves deviennent une mémoire opérationnelle, et chaque opération améliore la suivante.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plateforme de test d'intrusion autonome multi-agents par IA qui exécute la reconnaissance, la découverte de la surface d'attaque, la validation de l'exploitation et la livraison de rapports étayés par des preuves.

    257

Explorer tous les outils

Parcourez notre collection d'outils

Voir tous les outils →