Centro UTN CInApTIC - Difusión Científica - Trabajos Presentados en Congresos

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/1497

Browse

Start date: 2020Subject: search.filters.subject.Machine Learning

Search Results

Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    Tecnologías emergentes para la ciberseguridad de dispositivos IoT
    (30° Congreso Argentino de Ciencias de la Computación - CACIC 2024, 2024-10-07) Rosin, Zaira; Pujalte, Denise; Bolatti, Diego
    En este trabajo se analiza la integración de la computación cuántica y técnicas de inteligencia artificial (IA) para mejorar la seguridad en dispositivos de Internet de las Cosas (IoT). Se presentan las principales amenazas a la ciberseguridad de IoT y se comparan diferentes soluciones basadas en computación cuántica y técnicas de IA. Además, se exploran las vulnerabilidades de los sistemas clásicos ante un entorno post-cuántico y se discuten medidas de seguridad como la Distribución de Claves Cuánticas (QKD) y criptografía post-cuántica. Finalmente, se concluye que la computación cuántica y las técnicas de LA pueden proporcionar niveles de seguridad superiores, aunque también presentan desafíos tecnológicos y de implementación.
  • Thumbnail Image
    Item
    El uso de tecnologías de bajo costo para la sustentabilidad del sector agrícola
    (2024-10-24) García Menchaca, Levi Esteban; Guerra Sánchez, Carlos Alain; Cleva, Mario Sergio; González Ramírez, Efrén; Sifuentes Gallardo, Claudia; Durán Muñoz, Héctor Antonio
    Este estudio explora el crecimiento de fresas (Fragaria × ananassa) en cultivo hidropónico bajo diferentes longitudes de onda de luz, con un enfoque en el uso de técnicas avanzadas de Machine Learning (ML) y Deep Learning (DL). Utilizando sensores de luz y temperatura, junto con plataformas como Arduino, se monitorizan en tiempo real las condiciones de cultivo. Los datos recopilados serán analizados mediante algoritmos de ML para modelar el crecimiento y predecir el comportamiento de las plantas. Además, se emplearán redes neuronales convolucionales (CNN) para el análisis de imágenes, permitiendo detectar plagas y optimizar el uso de fertilizantes, con el objetivo de mejorar la eficiencia y sostenibilidad en la producción de fresas.
  • Thumbnail Image
    Item
    Baseline text for proposed new work item to develop a technical report of intelligent anomaly detection system for IoT
    (INTERNATIONAL TELECOMMUNICATION UNION TELECOMMUNICATION STANDARDIZATION SECTOR, 2020-07-07) Bolatti, Diego; Karanik, Marcelo; Scappini, Reinaldo; Todt, Carolina
    This document presents an update of the technical report on Intelligent Anomaly Detection System for IoT (Y.STR-IADIoT) and seeks agreement that it be the basis of future work.
  • Thumbnail Image
    Item
    Sistema inteligente de detección de anomalías para IoT
    (2021-04-15) Bolatti, Diego; Karanik, Marcelo; Todt, Carolina; Scappini, Reinaldo; Gramajo, Sergio
    En los últimos años, con el avance de Internet de las Cosas (IoT), ha aumentado la cantidad de dispositivos conectados a la red y, consecuentemente, el incremento de los riesgos de violaciones de seguridad y ataques maliciosos. Estadísticamente la mayoría de estos ataques se producen en los dispositivos finales de IoT y existen múltiples alternativas detectarlos. En ese contexto, este proyecto tiene como objetivo el diseño de un Sistema Inteligente de Detección de Anomalías para IoT que utilice técnicas de Machine Learning (ML). Específicamente, el proyecto abarca el diseño y desarrollo de un sistema capaz de detectar ataques de seguridad en base a anomalías en los dispositivos finales de IoT, aplicando técnicas de aprendizaje automático que provean el mecanismo adecuado para dicha detección.
  • Thumbnail Image
    Item
    Intelligent anomaly detection system for IoT
    (2021-05-22) Bolatti, Diego; Karanik, Marcelo; Todt, Carolina; Scappini, Reinaldo; Gramajo, Sergio
    The growing use of the Internet of Things (IoT) in different areas implies a proportional growth in threats and attacks on end devices. To solve this problem, the IoT systems must be equipped with an anomaly detection system (ADS). This work introduces the design of a hybrid ADS based on the Software-Defined Network (SDN) architecture, which combines the rule-based and Machine Learning-based detection technique. Whereas the rule-based approach is used to detect known attacks with the help of rules defined by security experts. And the Machine Learning approach is used to detect unknown attacks with the help of Artificial Intelligence techniques