ЭФФЕКТИВНОСТЬ ГЛУБОКОГО ОБУЧЕНИЯ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В КИБЕРБЕЗОПАСНОСТИ
Статья боковой панели
Опубликован:
сен 26, 2023
Основное содержание статьи
Аннотация
.
Скачивания
Данные скачивания пока недоступны.
Детали статьи
Как цитировать
1. Аль-Ани М., Алшаиби А., Костюченко Е. ЭФФЕКТИВНОСТЬ ГЛУБОКОГО ОБУЧЕНИЯ И МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ В КИБЕРБЕЗОПАСНОСТИ // ПРОБЛЕМЫ ПРАВОВОЙ И ТЕХНИЧЕСКОЙ ЗАЩИТЫ ИНФОРМАЦИИ, 2023. № 9. С. 7-9. URL: http://journal.asu.ru/ptzi/article/view/13606.
Раздел
Проблемы технического обеспечения информационной безопасности
Литература
Laqtib S. A technical review and comparative analysis of machine learning techniques for intrusion detection systems in MANET / S. Laqtib, K. El Yassini, M.L Hasnaoui // International Journal of Electrical and Computer Engineering (IJECE). 2020. Т.10. – № 3. – С. 2701.
Mahfouz A.M. Comparative Analysis of ML Classifiers for Network Intrusion Detection / A.M. Mahfouz, D. Venugopal, S.G. Shiva // Advances in Intelligent Systems and Computing. 2020. – С. 193–207.
Sivaprasad A. Comparative Analysis of Machine Learning Algorithms Based on the Outcome of Proactive Intrusion Detection System / A. Sivaprasad // SSRN Electronic Journal. 2020. – Т. 10 – № 5 – С.32-37
Yadav R. Comparative Study of Datasets used in Cyber Security Intrusion Detection / R. Yadav, P. Pathak, S. Saraswat // International Journal of Scientific Research in Computer Science, Engineering and Information Technology. 2020. – С. 302–312.
Bhaya W.S. Review on Malware and Malware Detection Using Data Mining Techniques / W.S. Bhaya, M.A. Ali //Journal of University of Babylon for Pure and Applied Sciences. – 2017. – Т. 25. – №. 5. – С. 1585-1601.
Bardamova M. Fuzzy classifier design for network intrusion detection using the gravitational search algorithm / M. Bardamova, A. Konev, I. Hodashinsky [и др.] // IOP Conf. Series: Journal of Physics: Conf. Series. 2019. – № 1145. – С. 6
Гураков М.А. Показатели качества систем распознавания пользователей по динамике подписи на основе наивного классификатора Байеса и нейронной сети / М.А. Гураков, Е.О. Кривоносов, Е.Ю. Костюченко // Труды МАИ. – 2016. – №. 86. – С. 18-18.
Mahfouz A.M. Comparative Analysis of ML Classifiers for Network Intrusion Detection / A.M. Mahfouz, D. Venugopal, S.G. Shiva // Advances in Intelligent Systems and Computing. 2020. – С. 193–207.
Sivaprasad A. Comparative Analysis of Machine Learning Algorithms Based on the Outcome of Proactive Intrusion Detection System / A. Sivaprasad // SSRN Electronic Journal. 2020. – Т. 10 – № 5 – С.32-37
Yadav R. Comparative Study of Datasets used in Cyber Security Intrusion Detection / R. Yadav, P. Pathak, S. Saraswat // International Journal of Scientific Research in Computer Science, Engineering and Information Technology. 2020. – С. 302–312.
Bhaya W.S. Review on Malware and Malware Detection Using Data Mining Techniques / W.S. Bhaya, M.A. Ali //Journal of University of Babylon for Pure and Applied Sciences. – 2017. – Т. 25. – №. 5. – С. 1585-1601.
Bardamova M. Fuzzy classifier design for network intrusion detection using the gravitational search algorithm / M. Bardamova, A. Konev, I. Hodashinsky [и др.] // IOP Conf. Series: Journal of Physics: Conf. Series. 2019. – № 1145. – С. 6
Гураков М.А. Показатели качества систем распознавания пользователей по динамике подписи на основе наивного классификатора Байеса и нейронной сети / М.А. Гураков, Е.О. Кривоносов, Е.Ю. Костюченко // Труды МАИ. – 2016. – №. 86. – С. 18-18.