A wide range of IDS implementations with anomaly detection modules have been deployed. In general, those modules depend on intrusion knowledge databases, such as Knowledge Discovery Dataset (KDD99), Center for Applied Internet Data Analysis (CAIDA) or Community Resource for Archiving Wireless Data at Dartmouth (CRAWDAD), among others. Once the database is analyzed and a machine learning method is employed to generate detectors, some classes of new detectors are created. Thereafter, detectors are supposed to be deployed in real network environments in order to achieve detection with good results for false positives and detection rates. Since the traffic behavior is quite different according to the user’s network activities over available services, restrictions and applications, it is supposed that behavioral-based detectors are not well suited to all kind of networks. This paper presents the differences of detection results between some network scenarios by applying traditional detectors that were calculated with artificial neural networks. The same detector is deployed in different scenarios to measure the efficiency or inefficiency of static training detectors.

Los procesos de validación, con el transcurso del tiempo se han convertido en un requisito esencial que deben cumplir todas las investigaciones en las que se desarrollan instrumentos y/o dispositivos para la recolección de datos. Por esto, los modelos de validación garantizan que las aplicaciones y los dispositivos sean seguros y efectivos, ya que verifica que se cumplan con las especificaciones de seguridad a nivel internacional y nacional, asegurando de esta forma su adecuado funcionamiento y minimizando los posibles riesgos que se puedan presentar durante su uso. Con el auge y la adopción de las tecnologías de la información en el ámbito clínico, han surgido grandes problemáticas por falta de procesos de validación, especialmente en herramientas tecnológicas, como es el caso de las aplicaciones móviles –App, las cuales son elaboradas por diferentes compañías de software que no cuentan con personal idóneo que valide su funcionamiento, idoneidad, eficacia y seguridad antes de ser comercializadas o cargadas en plataformas de distribución. Este hecho, representa una enorme responsabilidad con la sociedad, especialmente por los casos en que su uso genera riesgos en la salud de los usuarios. Los argumentos expuestos, llevaron al grupo de investigación en telemedicina de la Universidad Militar –TIGUM con apoyo del grupo de Investigación en Salud, Actividad física, Arte y Cultura –ISAAC, a desarrollar un modelo de validación experimental de las App Activ y Smca, desarrolladas por TIGUM con el fin de promover el uso de la tecnología en el cuidado de la salud. Las pruebas fueron coordinadas por el grupo ISAAC, de forma individual por cada voluntario que firmo el consentimiento informado, donde realizaron una actividad física en la caminadora con cinco velocidades diferentes durante un tiempo de 13 minutos se mide frecuencia cardíaca y el nivel de actividad física. Este modelo cuenta con una serie de procesos descriptivos en donde se evalúan diferentes aspectos de validación que deben cumplir las App usadas para el cuidado de la salud, logrando la comparación de los datos obtenidos de las aplicaciones con los datos obtenidos de equipos certificados considerados estándar. Los resultados obtenidos comprobaron una desviación p<0,05 lo que permite determinar que el modelo propuesto es adecuado para validar las aplicaciones Activ y Smca, y tomarlo como referencia para validar herramientas tecnológicas similares y para verificar la fiabilidad de los datos obtenidos al comparar los datos generados por App con dispositivos clínico/fitness.