Andere Kunden interessierten sich auch für
![Sensibilização para a intrusão na rede utilizando a fusão de dados e a classificação SVM]( "Sensibilização para a intrusão na rede utilizando a fusão de dados e a classificação SVM")
Sensibilização para a intrusão na rede utilizando a fusão de dados e a classificação SVM29,99 €![Sensibilisation aux intrusions dans les réseaux à l'aide de la fusion de données et de la classification SVM]( "Sensibilisation aux intrusions dans les réseaux à l'aide de la fusion de données et de la classification SVM")
Sensibilisation aux intrusions dans les réseaux à l'aide de la fusion de données et de la classification SVM29,99 €![Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM]( "Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM")
Consapevolezza delle intrusioni di rete mediante fusione di dati e classificazione SVM29,99 €![Informirowanie o setewyh wtorzheniqh s pomosch'ü ob#edineniq dannyh i SVM-klassifikacii]( "Informirowanie o setewyh wtorzheniqh s pomosch'ü ob#edineniq dannyh i SVM-klassifikacii")
Informirowanie o setewyh wtorzheniqh s pomosch'ü ob#edineniq dannyh i SVM-klassifikacii13,99 €![Network Intrusion Awareness using Data Fusion and SVM Classification]( "Network Intrusion Awareness using Data Fusion and SVM Classification")
Network Intrusion Awareness using Data Fusion and SVM Classification29,99 €![Stochastische Erkennung von Emotionen durch mehrere Matrizen und Klassifizierung]( "Stochastische Erkennung von Emotionen durch mehrere Matrizen und Klassifizierung")
Stochastische Erkennung von Emotionen durch mehrere Matrizen und Klassifizierung39,90 €![Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung]( "Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung")
Strategien des maschinellen Lernens für Typ-2-Diabetes Diabetes-Klassifizierung43,90 €
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.