Name: Intrusion Detection Mit Merkmalsauswahl Und Hybridisierter (en Alemán)
SKU: 57861549
Price: 51210.00 CLP
Availability: InStock
Author: Obiwusi, Kolawole
ISBN: 9786203335088

portada Intrusion Detection Mit Merkmalsauswahl Und Hybridisierter (en Alemán)

Intrusion Detection Mit Merkmalsauswahl Und Hybridisierter (en Alemán)

Formato

Libro Físico

Autor

Kolawole Obiwusi

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

Peso

0.11 kg.

ISBN13

9786203335088

Categorías

Tecnología de la información: cuestiones generales

Intrusion Detection Mit Merkmalsauswahl Und Hybridisierter (en Alemán)

Kolawole Obiwusi (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo Importado

Envío: 20 a 24 días háb.

$ 102.420$ 51.210

-50%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 51.210

Llega entre el 04 Dic y el 11 Dic a Santiago, Región Metropolitana. Seleccionar ubicación

Agregar a lista de deseos

Reseña del libro "Intrusion Detection Mit Merkmalsauswahl Und Hybridisierter (en Alemán)"

Heutzutage ist es sehr wichtig, ein hohes Ma an Sicherheit zu gewährleisten, um eine sichere und vertrauenswürdige Kommunikation von Informationen zwischen verschiedenen Organisationen zu gewährleisten. Es ist unbestreitbar, dass eine breite Palette von Sicherheitstechnologien wie Informationsverschlüsselung, Zugriffskontrolle und Intrusion Prevention verwendet werden, um netzwerkbasierte Systeme zu schützen, aber es gibt immer noch viele unentdeckte Eindringlinge.Dieses Projekt präsentiert einen Überblick über Intrusion Detection und einen hybriden Klassifizierungsalgorithmus, der auf Naive Baye und K Nearest Neighbour basiert. Der Datensatz wird zunächst zur Klassifizierung durch den Naïve Baye geleitet, wobei die prioren und bedingten Wahrscheinlichkeiten für jedes Beispiel im Datensatz erzeugt werden. Wenn es eine Fehlklassifizierung gibt, wird das Beispiel an KNN weitergeleitet, das dann die Nachbarschaft des Beispiels bewertet und die resultierenden Beispiele werden mit der Ähnlichkeit jedes Nachbarn des Beispiels gewichtet. Wenn Sim(X, Dj) gleich 1 ist, dann ist X normal, andernfalls findet der Algorithmus die K grö ten Sim(X, Dj) und prüft sie gegen ein Stoppkriterium (Schwellenwert). Wenn es grö er ist, dann wird X als normal klassifiziert, sonst ist X Klasse.