61,90 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
0 °P sammeln
  • Broschiertes Buch

Diese Arbeit befasst sich mit der Entwicklung eines neuen Ansatzes auf der Grundlage von Deep Learning, um ein effizientes und flexibles System zur Erkennung von Eindringlingen zu implementieren, das den verhaltensbasierten Ansatz verwendet und hauptsächlich für kritische Infrastrukturen und industrielle Kontrollsysteme bestimmt ist. Basierend auf der Annahme, dass die Modellierung des normalen Netzwerkverhaltens von industriellen Kontrollsystemen machbar und zuverlässig ist, da die in diesen Systemen durchgeführten Operationen ziemlich stationär und repetitiv sind, werden Convolutional Neural…mehr

Produktbeschreibung
Diese Arbeit befasst sich mit der Entwicklung eines neuen Ansatzes auf der Grundlage von Deep Learning, um ein effizientes und flexibles System zur Erkennung von Eindringlingen zu implementieren, das den verhaltensbasierten Ansatz verwendet und hauptsächlich für kritische Infrastrukturen und industrielle Kontrollsysteme bestimmt ist. Basierend auf der Annahme, dass die Modellierung des normalen Netzwerkverhaltens von industriellen Kontrollsystemen machbar und zuverlässig ist, da die in diesen Systemen durchgeführten Operationen ziemlich stationär und repetitiv sind, werden Convolutional Neural Networks (CNN), eine Technik des "deep learning", auf dem NSL-KDD-Datensatz verwendet, einem Referenzdatensatz, der für die Einrichtung von Intrusion Detection Systemen verwendet wird. Die Leistung des Ansatzes wird vorgestellt und mit einigen früheren Arbeiten verglichen. Die verwendeten Metriken umfassen den Prozentsatz der korrekten Klassifizierung, die Genauigkeit und die False Positives
Autorenporträt
Junior Momo Ziazet, Design-Ingenieur für Telekommunikation und IKT an der Fakultät für Wirtschaftsingenieurwesen der Universität Douala in Kamerun. Begeistert von Digitaltechnik und künstlicher Intelligenz. Derzeit Dozent an der Fakultät für Wirtschaftsingenieurwesen der Universität Douala.