https://hdl.handle.net/20.500.12008/44045 Producciones realizadas en el Instituto de Ingeniería Eléctrica que fueron puestas a disposición de terceros. Thu, 23 Apr 2026 10:49:16 GMT 2026-04-23T10:49:16Z https://hdl.handle.net/20.500.12008/43953 Título: Real time anomaly detection in network traffic time series Autor: Martínez Tagliafico, Sergio; García González, Gastón; Fernández, Alicia; Gómez, Gabriel; Acuña, José Resumen: Anomaly detection is a relevant field of study for many applications and contexts. In this paper we focus in on-line anomaly detection on unidimensional time series provided by different network operator equipments. We have implemented two detection methods, we have optimized them for on-line processing and we have adapted them for integration into a testbed of a well known Hadoop big data platform. We have analyzed the behavior of both methods for the particular datasets available but we also have applied the methods to a publicly available labeled datasets obtaining good results. Descripción: Transferencia tecnológica. Grupo de investigación Detección de anomalías en series de tiempo, Facultad de Ingeniería. Instituto de Ingeniería Eléctrica Mon, 01 Jan 2018 00:00:00 GMT https://hdl.handle.net/20.500.12008/43953 2018-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/43952 Título: Programa Hterm 3.0. Manual del usuario Autor: Oliver, Juan Pablo; Veirano, Francisco; Pérez, Pablo; Picción, Alicia; Camacho, Magdalena; Sosa, Daniel Resumen: El programa HTerm se utiliza para la evaluación higrotérmica de cerramientos opacos. El programa calcula el riesgo de ocurrencia de condensaciones superficiales e intersticiales a partir de las temperaturas de las capas y temperaturas de rocío. El programa también arroja resultados de transmitancia y capacidad térmica, incluyendo en ésta nueva versión el cálculo de retardo y amortiguación térmica del cerramiento planteado. Descripción: Transferencia tecnológica; Las versiones del programa actualizadas a febrero de 2018, se puede descargar de: https://www.eficienciaenergetica.gub.uy/novedades/-/asset_publisher/JXsLLcWIfNTX/content/miem-pone-a-disposicion-aplicacion-hterm-3-0.; Registro de derechos de autor (Software), Biblioteca Nacional. Registro Nro 530 Sun, 01 Jan 2017 00:00:00 GMT https://hdl.handle.net/20.500.12008/43952 2017-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/43951 Título: Proyecto Espionaje por emisiones electromagnéticas Autor: Larroca, Federico; Fernández, Santiago; Bertrand, Pablo; Carrau, Felipe; Severi, Victoria Resumen: En este trabajo se profundiza en el estado del arte y se muestran algunos aspectos de las vulnerabilidades que ocurren a partir de emanaciones de ondas electromagnéticas, a las cuales están sujetos la gran mayoría (sino todos) de los modernos sistemas de información. A partir de la detección y procesamiento de esas emanaciones, se dejan en evidencia las debilidades desde el punto de vista de seguridad y privacidad que estas acarrean. Estos aspectos se pueden vulnerar en un gran número de sistemas de información, por individuos con conocimientos acerca de teoría electromagnética, de los adquiridos en cursos de grado universitario, y un manejo de software a nivel programador, junto con el empleo de herramientas de hardware de bajo costo como SDR. El trabajo se aborda tomando como punto de partida el espionaje de emanaciones provenientes de la interfaz VGA, en particular del desarrollo hecho por Martin Marinov de la Universidad de Cambridge, Reino Unido, para luego extenderlo a las emanaciones de la interfaz HDMI. Descripción: Transferencia tecnológica; Mayor información y acceso a recursos relacionados en https://iie.fing.edu.uy/investigacion/grupos/artes/es/publicaciones/; Descargables en https://github.com/git-artes/gr-tempest Sun, 01 Jan 2017 00:00:00 GMT https://hdl.handle.net/20.500.12008/43951 2017-01-01T00:00:00Z https://hdl.handle.net/20.500.12008/41900 Título: One model to find them all deep learning for multivariate time-series anomaly detection in mobile network data Autor: García González, Gastón; Martínez Tagliafico, Sergio; Fernández, Alicia; Gómez, Gabriel; Acuña, José; Casas, Pedro Resumen: Network monitoring data generally consists of hundreds of counters periodically collected in the form of time-series, resulting in a complex-to-analyze multivariate time-series (MTS) process. Traditional time-series anomaly detection methods target univariate time-series analysis, which makes the MTS analysis cumbersome and prohibitively complex. We present DC-VAE (Dilated Convolutional -Variational Auto Encoder), a novel approach to anomaly detection in MTS data, leveraging convolutional neural networks (CNNs) and variational autoencoders (VAEs). DC-VAE detects anomalies in MTS data through a single model, exploiting temporal information without sacrificing computational and memory resources. In particular, instead of using recursive neural networks, large causal filters, or many layers, DC-VAE relies on Dilated Convolutions (DC) to capture long and short-term phenomena in the data. We evaluate DC-VAE on the detection of anomalies in the TELCO TELeCOmmunication-networks dataset, a large-scale, multi-dimensional network monitoring dataset collected at an operational mobile Internet Service Provider (ISP), where anomalous events were manually labeled by experts during seven months, at a five-minutes granularity. We benchmark DC-VAE against a broad set of traditional time-series anomaly detectors from the signal processing and machine learning domains. We also evaluate DC-VAE in open, publicly available datasets, comparing its performance against other multivariate anomaly detectors based on deep learning generative models. Results confirm the advantages of DC-VAE, both in terms of MTS data modeling, as well as for anomaly detection. For the sake of reproducibility and as an additional contribution, we make the TELCO dataset publicly available to the community and openly release the code implementing DC-VAE. Descripción: Transferencia tecnológica. Grupo de investigación Detección de anomalías en series de tiempo, Facultad de Ingeniería. Instituto de Ingeniería Eléctrica. Sun, 01 Jan 2023 00:00:00 GMT https://hdl.handle.net/20.500.12008/41900 2023-01-01T00:00:00Z