Name: Rilevamento Delle Intrusioni Utilizzando La Selezione Delle Caratteristiche E l'Ibridazione (en Italiano)
SKU: 57861568
Price: 188617.00 COP
Availability: InStock
Author: Obiwusi, Kolawole
ISBN: 9786203335132

portada Rilevamento Delle Intrusioni Utilizzando La Selezione Delle Caratteristiche E l'Ibridazione (en Italiano)

Rilevamento Delle Intrusioni Utilizzando La Selezione Delle Caratteristiche E l'Ibridazione (en Italiano)

Formato

Libro Físico

Autor

Kolawole Obiwusi

Editorial

Edizioni Sapienza

Idioma

Italiano

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9x15.2x0.4 cm

Peso

0.11 kg.

ISBN13

9786203335132

Categorías

Tecnología de la información: cuestiones generales

Rilevamento Delle Intrusioni Utilizzando La Selezione Delle Caratteristiche E l'Ibridazione (en Italiano)

Kolawole Obiwusi (Autor) · Edizioni Sapienza · 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 "Rilevamento Delle Intrusioni Utilizzando La Selezione Delle Caratteristiche E l'Ibridazione (en Italiano)"

Al giorno d'oggi è molto importante mantenere un alto livello di sicurezza per garantire una comunicazione sicura e affidabile delle informazioni tra varie organizzazioni. Indubbiamente, una vasta gamma di tecnologie di sicurezza come la crittografia delle informazioni, il controllo degli accessi e la prevenzione delle intrusioni sono utilizzati per proteggere i sistemi basati sulla rete, ma ci sono ancora molte intrusioni non rilevate. Questo progetto presenta una panoramica sul rilevamento delle intrusioni e un algoritmo di classificazione ibrido basato su Naïve Baye e K Nearest neighbour. Il set di dati viene prima passato attraverso il Naïve Baye per la classificazione, generando la priorità e le probabilità condizionali per ogni esempio nel set di dati. Se c'è un errore di classificazione, l'esempio viene passato al KNN che poi classifica il vicinato dell'esempio e gli esempi risultanti sono pesati usando la somiglianza di ogni vicino dell'esempio, se il Sim(X, Dj) è uguale a 1, allora X è normale, altrimenti l'algoritmo trova il K più grande Sim(X, Dj), lo controlla contro un criterio di arresto (soglia). Se è più grande, allora X è classificato normale, altrimenti X è di classe