Intrusion Detection / Sengupta, Nandita  

Público ISBD Ningún comentario para este registro. Título : Intrusion Detection : A Data Mining Approach Tipo de documento: documento electrónico Autores: Sengupta, Nandita, Autor ; Sil, Jaya, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2020 Número de páginas: XX, 136 p. ISBN/ISSN/DL: 978-981-1527166-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Cifrado de datos (Informática)  Criptología  Redes de comunicación informática  Criptografía  Protección de datos  Red informática  Seguridad de datos e información Índice Dewey: 004.6 Ciencia de los computadores (Interfaces y comunicaciones) Resumen: Este libro presenta investigaciones de última generación sobre detección de intrusiones utilizando aprendizaje por refuerzo, teorías de conjuntos difusos y aproximados y algoritmos genéticos. El aprendizaje por refuerzo se emplea para aprender incrementalmente el comportamiento de la red informática, mientras que se utilizan conjuntos aproximados y difusos para manejar la incertidumbre involucrada en la detección de anomalías de tráfico para proteger los recursos de datos de posibles ataques. Los algoritmos genéticos permiten seleccionar de manera óptima los parámetros del tráfico de la red para reducir el riesgo de intrusión en la red. El libro es único en términos de contenido, organización y estilo de escritura. Destinado principalmente a estudiantes de posgrado en ingeniería eléctrica e informática, también es útil para estudiantes de doctorado que realizan investigaciones en detección de intrusiones y profesionales interesados ​​en la seguridad y administración de redes. El libro cubre una amplia gama de aplicaciones, desde seguridad informática general hasta seguridad de servidores, redes y nube. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Discretization -- Chapter 3. Data Reduction -- Chapter 4. Q-Learning Classifiers -- Chapter 5. Hierarchical Q - Learning Classifier -- Chapter 6. Conclusions and Future Research. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Intrusion Detection : A Data Mining Approach [documento electrónico] / Sengupta, Nandita, Autor ; Sil, Jaya, Autor  . -  1 ed.  . - Singapore [Malasya] : Springer, 2020 . - XX, 136 p. ISBN : 978-981-1527166-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Cifrado de datos (Informática)  Criptología  Redes de comunicación informática  Criptografía  Protección de datos  Red informática  Seguridad de datos e información Índice Dewey: 004.6 Ciencia de los computadores (Interfaces y comunicaciones) Resumen: Este libro presenta investigaciones de última generación sobre detección de intrusiones utilizando aprendizaje por refuerzo, teorías de conjuntos difusos y aproximados y algoritmos genéticos. El aprendizaje por refuerzo se emplea para aprender incrementalmente el comportamiento de la red informática, mientras que se utilizan conjuntos aproximados y difusos para manejar la incertidumbre involucrada en la detección de anomalías de tráfico para proteger los recursos de datos de posibles ataques. Los algoritmos genéticos permiten seleccionar de manera óptima los parámetros del tráfico de la red para reducir el riesgo de intrusión en la red. El libro es único en términos de contenido, organización y estilo de escritura. Destinado principalmente a estudiantes de posgrado en ingeniería eléctrica e informática, también es útil para estudiantes de doctorado que realizan investigaciones en detección de intrusiones y profesionales interesados ​​en la seguridad y administración de redes. El libro cubre una amplia gama de aplicaciones, desde seguridad informática general hasta seguridad de servidores, redes y nube. Nota de contenido: Chapter 1. Introduction -- Chapter 2. Discretization -- Chapter 3. Data Reduction -- Chapter 4. Q-Learning Classifiers -- Chapter 5. Hierarchical Q - Learning Classifier -- Chapter 6. Conclusions and Future Research. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Por página: 25 50 100 200