Skip to content
KitploitKITPLOIT
FerramentasExploitsBlog
Log in
Enviar
FerramentasExploitsBlog
Enviar

Ferramentas de Hacking, PenTest e Cibersegurança para o seu Arsenal de Segurança!

Kitploit é um diretório de ferramentas de hacking, cibersegurança e pentesting. Descubra as últimas atualizações de projetos para encontrar vulnerabilidades, analisar sistemas, automatizar testes e fortalecer sua segurança.

FeedsContatoPrivacidade© 2026 Kitploit

Diretório de Ferramentas

Categorias

Ver todas as categorias
Loading categories
IoMT_SecAlarmBench — Um benchmark padronizado para avaliar sistemas de alarme de segurança na Internet das Coisas Médicas (IoMT) - ataques, deteção, resiliência a falsos alarmes e latência. | Kitploit
Ferramentas/GitHubGitHub/techosystem/iomt_secalarmbench
Ferramentas DefensivasSegurança IoTSegurança de Hardware e IoTAprendizado de MáquinaDetecção de IntrusãoPapers e PesquisaDetecção de AnomaliasLabs e Prática
Compartilhar
GitHub
techosystem/iomt_secalarmbench

IoMT_SecAlarmBench

Um benchmark padronizado para avaliar sistemas de alarme de segurança na Internet das Coisas Médicas (IoMT) - ataques, deteção, resiliência a falsos alarmes e latência.

Ver Repositório
há 2 mesesAinda não revisado

IoMT-SecAlarmBench

Um benchmark contrafactual para ataques de integridade na Internet das Coisas Médicas.

Código complementar para "IoMT-SecAlarmBench: A Counterfactual Benchmark for Integrity Attacks in IoMT".

Quando um alarme de UTI dispara, um detector de anomalias pode dizer que a leitura é incomum. Ele não consegue dizer por quê — deterioração genuína, uma falha de sensor, ou uma medição falsificada que se situa dentro do intervalo fisiológico. Responder a isso exige uma verdade de referência contrafactual: o que o alarme teria feito se a rede tivesse permanecido saudável. Nenhuma gravação coletada naturalmente contém isso, porque você nunca observa ambos os desfechos do mesmo evento.

Este benchmark fornece isso por construção. Ataques de integridade controlados são injetados em gravações genuínas e acopladas de ECG+PPG, e para cada janela atacada o sinal limpo que teria sido observado é retido.


Visão geral

Janelas78.729 janelas rotuladas de 10 s, passo de 5 s, ECG+PPG de 2 canais a 125 Hz
Classes39.882 ataque · 32.875 fisiologia-normal · 5.350 falha/artefato · 622 evento-fisiológico
Espinha dorsal627 registros CinC 2015 contendo o par central ECG+PPG (231 alarmes verdadeiros / 396 falsos)
Espaço de injeção{replay} ∪ (4 morfologias × 4 níveis de severidade × 2 regimes de plausibilidade)
Divisõespor paciente 436 / 91 / 100, estratificadas por tipo de arritmia
Contrafactualsinal limpo pré-injeção exato retido por janela atacada

Resultados principais. Nenhum detector entre cinco famílias de métodos excede consistentemente o limite de desempenho: ataques de replay e picos transitórios de baixa amplitude situam-se em 1,2–1,7× o acaso para todas as seis linhas de base. O detector mais forte em casos difíceis sinaliza janelas de falha/artefato a 5,3× sua própria taxa de falso alarme em dados normais — a ambiguidade ataque-versus-falha, localizada a uma relação de sinal específica e mensurável.


Instalação

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

O PyTorch está fixado na build CUDA 12.8 usada nas execuções reportadas; consulte docs/REPRODUCE.md para o URL do índice. A baseline clássica (Isolation Forest), o gerador e a auditoria de fuga de dados são executados em CPU sem PyTorch.

Obter os dados

Nada é redistribuído aqui (consulte LICENSE-DATA.md). Obtenha as fontes:

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

WUSTL-EHMS-2020 deve ser solicitado aos seus autores e colocado em data/wustl/wustl-ehms-2020.csv.

Construir o benchmark

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

Determinístico sob a seed configurada. Espera-se 78.729 janelas; o gerador imprime o histograma de classes para que você possa compará-lo com a tabela acima.

Reproduzir o artigo

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

Isso grava um diretório com carimbo de data/hora em results/ contendo um manifest.json que registra a configuração, as versões dos pacotes, a GPU e o MD5 de cada módulo-fonte — incluindo as constantes de severidade da Tabela I. As execuções reportadas são 20260730-205501 (Tabela III) e 20260730-222727 (Tabela IV). Pontos de entrada por componente:

Seção do artigoComando
Detecção RQ1 (Tabela III)python src/rq1_report.py
Furtividade RQ2 (Tabela IV)python src/eval_harness.py --matched-far 0.10
Discriminação RQ3 (Tabela V)python src/rq3_discrimination.py
Eficiência RQ4python src/eval_harness.py --profile
Auditoria de vazamentopython src/wustl_leakage.py
Atribuição (adiada; ver §VIII)python src/rq2_attribution_v3.py
Figurasmake figures

Leia docs/REPRODUCE.md antes de comparar números. Duas regras não são opcionais: compare detectores sem limiar ou com um orçamento de falsos alarmes equivalente, nunca no ponto de F₁ máximo de cada método (ele varia em até ±0,234 entre seeds, enquanto a AUPRC sem limiar varia em ≤0,013), e reporte a AUPRC em relação ao seu piso de aleatoriedade, que difere por subconjunto.

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.

Problemas conhecidos

Registados abertamente e discutidos no artigo:

  • Injeção de alvo único. Todos os ataques nesta versão têm como alvo o canal pulsátil, pelo que a localização ao nível do canal é degenerada — um preditor que responde sempre "PPG" obtém AC@1 = 1.000. Por esta razão, não é reportada qualquer linha de base de atribuição. Uma atribuição não degenerada exige que o alvo varie entre canais.
  • Saturação de severidade. Em 6 das 16 células construídas, a magnitude programada atinge o limite de plausibilidade, pelo que a FDI dentro dos limites é cortada e L3–L4 são ordinais em vez de proporcionais.
  • Oráculo contrafactual ao nível do alarme está especificado mas não implementado.
  • Corpus único. Todos os resultados fisiológicos provêm dos registos de 5–5,5 min centrados em alarmes do CinC.

Citação

Consulte CITATION.cff e cite também os corpora de origem.

Não destinado a uso clínico

Recomendado para benchmarking de deteção, discriminação, atribuição e auditoria de fuga de informação. Não destinado a decisões de implementação clínica, nem a treino de sistemas de alarme sem validação prospetiva.

Baixar ferramenta

Mais Populares

Ver todos →

Descubra as ferramentas mais usadas pela nossa comunidade.

  • 1

    OsintHunter

    letox4/osinthunter

    🎯 O kit definitivo de OSINT: grafo de investigação, pontuação de confiança, famílias de alias, mapa, linha do tempo e relatórios. 49 módulos, mais de 400 sites, sem necessidade de chaves de API.

    696
  • 2

    ghostlock-app

    yukonga/ghostlock-app

    # Aplicativo de Execução em Um Toque GhostLock (CVE-2026-43499)

    499
  • 3

    ARTEX

    baarai/artex

    Plataforma autônoma de testes de penetração multiagente com LLM, com agentes planejador/executor, grafos de ativos e de exploração, registro de tráfego MITM e reteste de vulnerabilidades.

    396
  • 4

    redforge

    cybersecurity91/redforge

    Kit de ferramentas de red team do lado do navegador com 102 ferramentas offline para reconhecimento, geração de payloads, ataques a credenciais, criptografia, codificação e relatórios de engajamento.

    340
  • 5

    CyberStrikeAI

    ed1s0nz/cyberstrikeai

    O sistema de ação para cibersegurança nativa em IA—onde a intenção se torna execução governada, a evidência se torna memória operacional, e cada operação melhora a próxima.

    258
  • 6

    antifox

    antifox-ai/antifox

    Plataforma de testes de penetração autónoma com multiagentes de IA que executa reconhecimento, descoberta de superfície de ataque, validação de exploração e entrega de relatórios com evidências.

    257

Explore todas as ferramentas

Navegue pela nossa coleção de ferramentas

Ver todas as ferramentas →