Name: Detecção de Intrusão Usando Seleção de Características e Hibridizados: Algoritmo de Classificação Nb-Knn (en Portugués)
SKU: 53362801
Price: 188617.00 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)

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 Importado

Envío: 20 a 24 días háb.

$ 314.362$ 188.617

-40%

Costos de importación incluídos en el precio ✅

Libro Nuevo

Quedan 10 unidades

$ 188.617

¡Envío Gratis! Llega entre el 09 Dic y el 16 Dic a Bogota, Cundinamarca. Seleccionar ubicación

Agregar a lista de deseos

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).