Sensibilisierung für Netzwerkeinbrüche durch Datenfusion und SVM-Klassifizierung
Eine Studie zur Verbesserung der Cybersicherheit durch integrierte Analyse und maschinelle Lerntechniken
Versandkostenfrei!
Versandfertig in 6-10 Tagen
43,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Die Erkennung von Netzwerkeinbrüchen ist ein wichtiger Faktor für die Risikoanalyse der Netzwerksicherheit. In den letzten zehn Jahren wurden verschiedene Methoden und Rahmenwerke für die Erkennung von Eindringlingen und die Sicherheitswarnung entwickelt. Eine Reihe von Methoden basiert auf einem Wissensfindungsprozess und einige Rahmenwerke basieren auf einem neuronalen Netzwerk. Diese vollständigen Modelle treffen regelbasierte Entscheidungen für die Generierung von Sicherheitswarnungen. In dieser Dissertation haben wir eine neuartige Methode zur Erkennung von Eindringlingen mittels Dat...
Die Erkennung von Netzwerkeinbrüchen ist ein wichtiger Faktor für die Risikoanalyse der Netzwerksicherheit. In den letzten zehn Jahren wurden verschiedene Methoden und Rahmenwerke für die Erkennung von Eindringlingen und die Sicherheitswarnung entwickelt. Eine Reihe von Methoden basiert auf einem Wissensfindungsprozess und einige Rahmenwerke basieren auf einem neuronalen Netzwerk. Diese vollständigen Modelle treffen regelbasierte Entscheidungen für die Generierung von Sicherheitswarnungen. In dieser Dissertation haben wir eine neuartige Methode zur Erkennung von Eindringlingen mittels Datenfusion und SVM-Klassifizierung vorgeschlagen. Die Datenfusion arbeitet mit den Verzerrungen der Merkmale, die beim Auftreten gesammelt werden. Support Vector Machine ist ein Superklassifikator für Daten. Jetzt haben wir SVM für die Erkennung von geschlossenen Elementen der regelbasierten Technik verwendet.
Andere Kunden interessierten sich für
