Los ataques de denegación de servicio distribuido de baja tasa (DDoS de baja tasa) son un nuevo desafío para el ciberespacio, ya que los atacantes envían una gran cantidad de paquetes de ataque similares al tráfico normal, para saturar los flujos legítimos. En este documento, proponemos una expectativa de medición del tamaño del paquete que se basa en la diferencia de distribución del tamaño del paquete para distinguir dos ataques típicos de DDoS de baja tasa, el ataque constante y el ataque pulsante, del tráfico legítimo. Se presentan los resultados experimentales, obtenidos utilizando una serie de conjuntos de datos reales con diferentes tiempos y diferentes factores de tolerancia, para demostrar la efectividad de la medida propuesta. Además, se realizan experimentos extensos para mostrar que la medida propuesta puede detectar los ataques de DDoS de baja tasa no solo a corto y largo plazo, sino también para tasas de paquetes bajas y altas. Además, las tasas de falsos negativos y la distancia

La detección de defectos en paredes es una función importante para los robots autónomos de decoración. Los métodos de detección de objetos basados en redes neuronales profundas requieren un gran número de imágenes con el cuadro delimitador hecho a mano para el entrenamiento. Sin embargo, construir grandes conjuntos de datos manualmente es impráctico, ya que es un proceso que consume mucho tiempo y mano de obra. En este trabajo, resolvemos este problema proponiendo un algoritmo de detección de defectos en paredes con pocas muestras utilizando aprendizaje profundo por refuerzo (DRL) para robots autónomos de decoración. Nuestro algoritmo primero utiliza la red de propuesta de atención (APN) para generar regiones de atención y aplica AlexNet para extraer las características de los parches de atención y así reducir aún más la computación. Finalmente, entrenamos nuestro método con aprendizaje profundo por refuerzo para aprender la política de detección óptima. Los experimentos se llevan a cabo en un conjunto de datos con pocas muestras en el que las imágenes se recopilan de entornos reales de decoración, y los resultados experimentales muestran que el método propuesto puede lograr una rápida convergencia y aprender la política de detección óptima para imágenes de defectos en paredes.