Name: Detecção de Intrusão Usando Seleção de Características e Hibridizados: Algoritmo de Classificação Nb-Knn (en Portugués)
Price: 204030.00 COP
Availability: InStock
Author: Kolawole Obiwusi
ISBN: 9786203335200

portada Detecção de Intrusão Usando Seleção de Características e Hibridizados: Algoritmo de Classificação Nb-Knn (en Portugués)

Formato

Libro Físico

Editorial

Edições Nosso Conhecimento

Autor

Kolawole Obiwusi

Año

2021

Idioma

Portugués

N° páginas

Encuadernación

Tapa Blanda

ISBN13

9786203335200

Categorías

Tecnología de la información: cuestiones generales

Detecção de Intrusão Usando Seleção de Características e Hibridizados: Algoritmo de Classificação Nb-Knn (en Portugués)

Kolawole Obiwusi (Autor) · Edições Nosso Conhecimento · Tapa Blanda

Libro Nuevo

$ 204.030

$ 340.050

Ahorras: $ 136.020

40% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Martes 25 de Junio y el Martes 09 de Julio.

Lo recibirás en cualquier lugar de Colombia entre 1 y 5 días hábiles luego del envío.

Reseña del libro "Detecção de Intrusão Usando Seleção de Características e Hibridizados: Algoritmo de Classificação Nb-Knn (en Portugués)"

Hoje em dia é muito importante manter um alto nível de segurança para garantir a comunicação segura e confiável de informações entre várias organizações. Mas a comunicação segura de dados pela Internet e qualquer outra rede está sempre sob ameaça de intrusões e usos indevidos. Inegavelmente, uma ampla gama de tecnologias de segurança, como criptografia de informações, controle de acesso e prevenção de intrusões são usadas para proteger sistemas baseados em rede, mas ainda há muitas intrusões não detectadas. Este projeto apresenta uma visão geral da detecção de intrusões e um algoritmo de classificação híbrido baseado em baye naïve e K Nearest vizinho. O conjunto de dados passa primeiro pela baye naïve para classificação, gerando as probabilidades prévias e condicionais para cada exemplo no conjunto de dados. Se houver uma classificação errada, o exemplo será passado para o KNN que então classifica a vizinhança do exemplo e os exemplos resultantes são ponderados usando a similaridade de cada vizinho do exemplo, se o Sim(X,Dj) for igual a 1, então X é normal o algoritmo encontra o K maior Sim(X,Dj), comparando-o com um critério de parada (limiar).