Andere Kunden interessierten sich auch für
![Desarrollo de almacén de datos para detección de intrusos en redes]( "Desarrollo de almacén de datos para detección de intrusos en redes")
Desarrollo de almacén de datos para detección de intrusos en redes23,99 €![Sistema de Estrategia Militar por Turnos en Tiempo Real]( "Sistema de Estrategia Militar por Turnos en Tiempo Real")
Sistema de Estrategia Militar por Turnos en Tiempo Real25,99 €![Sistemas Self-Healing mediante Modelos de Control en Tiempo Real]( "Sistemas Self-Healing mediante Modelos de Control en Tiempo Real")
Sistemas Self-Healing mediante Modelos de Control en Tiempo Real45,99 €![Arquitecturas de Sistemas de Tiempo Real en IoT]( "Arquitecturas de Sistemas de Tiempo Real en IoT")
Arquitecturas de Sistemas de Tiempo Real en IoT26,99 €![Computación emergente en la detección de rutas de distribución óptimas]( "Computación emergente en la detección de rutas de distribución óptimas")
Computación emergente en la detección de rutas de distribución óptimas32,99 €![Aportes y Detección de Vulnerabilidades en Redes Teleinformáticas]( "Aportes y Detección de Vulnerabilidades en Redes Teleinformáticas")
Aportes y Detección de Vulnerabilidades en Redes Teleinformáticas36,99 €![Métodos de organización de los flujos en las redes informáticas]( "Métodos de organización de los flujos en las redes informáticas")
Métodos de organización de los flujos en las redes informáticas32,99 €
La detección de anomalías en tiempo real de flujos masivos de datos es uno de los temas de investigación más importantes hoy en día debido a que la mayoría de los datos mundiales se generan en procesos temporales continuos. Aborda varios problemas en muchos campos como la salud, la educación, las finanzas, el gobierno, etc. En este trabajo, proponemos una mejora de este enfoque aplicado en los modelos de previsión de HW y TDHW. El Algoritmo Genético (GA) se aplica para optimizar periódicamente los parámetros de suavizado de HW y TDHW, además de los dos parámetros de ventanas deslizantes que mejoran la medida MASE de Hyndman de la desviación y el valor del parámetro de umbral que define el intervalo de confianza sin anomalías. También proponemos una nueva función de optimización basada en los conjuntos de datos de entrenamiento de entrada con los intervalos de anomalías anotados para detectar las anomalías correctas y reducir el número de las falsas.