Classification des URL malveillants
Utilisation des caractéristiques extraites, de l'algorithme de sélection des caractéristiques et des techniques d'apprentissage automatique
Versandkostenfrei!
Versandfertig in 6-10 Tagen
39,99 €
inkl. MwSt.
PAYBACK Punkte
20 °P sammeln!
Cet ouvrage a pour objectif de développer un modèle permettant de classer un certain site Web comme légitime ou malveillant à l'aide de méthodologies d'apprentissage automatique et de déterminer si l'augmentation du nombre de caractéristiques d'un modèle entraîne une augmentation de ses performances. Les auteurs ont utilisé trois cas distincts pour générer un modèle optimal, chaque cas différant par le nombre de caractéristiques utilisées dans l'ensemble de données. Le premier cas a utilisé la base ou l'ensemble de données original. Le deuxième cas a utilisé un ensemble de...
Cet ouvrage a pour objectif de développer un modèle permettant de classer un certain site Web comme légitime ou malveillant à l'aide de méthodologies d'apprentissage automatique et de déterminer si l'augmentation du nombre de caractéristiques d'un modèle entraîne une augmentation de ses performances. Les auteurs ont utilisé trois cas distincts pour générer un modèle optimal, chaque cas différant par le nombre de caractéristiques utilisées dans l'ensemble de données. Le premier cas a utilisé la base ou l'ensemble de données original. Le deuxième cas a utilisé un ensemble de caractéristiques étendu. Un algorithme de sélection des caractéristiques a été utilisé dans l'ensemble de caractéristiques étendu pour créer un nouvel ensemble de données pour le troisième cas. Les classificateurs utilisés pour générer les modèles sont Random Forest, J48, C-SVC et kNN. Le résultat a montré une augmentation des performances en comparant les modèles du premier cas à ceux du deuxième cas. Aucun changement significatif n'a été observé lorsque les modèles du deuxième cas ont été comparés à ceux du troisième. L'étude a montré qu'il existe une relation directement proportionnelle entre le nombre de fonctionnalités d'un modèle et les performances de ce dernier. L'augmentation du nombre de caractéristiques de l'ensemble de données conduit à une augmentation de la performance de chaque modèle.
Andere Kunden interessierten sich für
