Andere Kunden interessierten sich auch für
![Adaptives M-Learning WAP-Technologie: Modelle und statistische Auswertungen]( "Adaptives M-Learning WAP-Technologie: Modelle und statistische Auswertungen")
Adaptives M-Learning WAP-Technologie: Modelle und statistische Auswertungen35,90 €![Angewandte statistische Techniken für Data Mining]( "Angewandte statistische Techniken für Data Mining")
Angewandte statistische Techniken für Data Mining98,90 €![Gehirn-Computer-Interaktion]( "Gehirn-Computer-Interaktion")
Gehirn-Computer-Interaktion35,90 €![Computerbasierte Analyse von Industrielärm (CBA-iNoise)]( "Computerbasierte Analyse von Industrielärm (CBA-iNoise)")
Computerbasierte Analyse von Industrielärm (CBA-iNoise)39,90 €![Sentiment-Analyse in X-Texten mit Deep Learning]( "Sentiment-Analyse in X-Texten mit Deep Learning")
Sentiment-Analyse in X-Texten mit Deep Learning60,90 €![Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren]( "Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren")
Fallstudie: Analyse von Flugzeugunfällen mit verschiedenen Klassifikatoren49,90 €![Feedback-System mit Sentiment-Analyse]( "Feedback-System mit Sentiment-Analyse")
Feedback-System mit Sentiment-Analyse60,90 €
Die Netzwerkforensik hilft beim Aufspüren von Cyberbetrügern, indem sie Netzwerkdaten auswertet und zurückverfolgt. Die Netzwerkforensik analysiert den Netzwerkverkehr, um Eindringlinge zu erkennen und zu untersuchen, wie das Verbrechen stattgefunden hat, d.h. einen Tatort für Untersuchungen und Nachstellungen zu schaffen. Diese Studie schlägt ein allgemeines Prozessmodell und eine Architektur für die Netzwerkforensik vor. Ein sekundärer Datensatz, KDD CUP, mit normalem und anormalem Datenverkehr wird zur Analyse verwendet, um den gesamten Prozess zu simulieren. Der Datensatz wird weitgehend verarbeitet, um Merkmale auszuwählen und Redundanzen zu entfernen. Der Datensatz wurde bereinigt, bevor er mit dem Support Vector Machine Lernmodell analysiert wurde, um den Datenverkehr zu klassifizieren. Die Multiklassen-Klassifizierung wurde verwendet, um verschiedene Arten von Netzwerkangriffen zu kategorisieren. Die Genauigkeit des Modells wird dann anhand der erzielten Ergebnisse bewertet.