Name: Erkennung von Netzwerkangriffen im IoT mit künstlicher Intelligenz (en Alemán)
Price: 74.86 USD
Availability: InStock
Author: Gul, Muhammad Jahanzaib ; Raazi Syed, Muhammad Khaliq-Ur-Rahman
ISBN: 9786205933329

portada Erkennung von Netzwerkangriffen im IoT mit künstlicher Intelligenz (en Alemán)

Formato

Libro Físico

Autor

Muhammad Jahanzaib Gul

Muhammad Khaliq-Ur-Rahman Raazi Syed

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.3 cm

Peso

0.09 kg.

ISBN13

9786205933329

Categorías

Tecnología: cuestiones generales

Erkennung von Netzwerkangriffen im IoT mit künstlicher Intelligenz (en Alemán)

Muhammad Jahanzaib Gul (Autor) · Muhammad Khaliq-Ur-Rahman Raazi Syed (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo

$ 74.86

$ 115.17

Ahorras: $ 40.31

35% descuento

Envío normal

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

Se enviará desde nuestra bodega entre el Lunes 29 de Julio y el Miércoles 07 de Agosto.

Lo recibirás en cualquier lugar de Ecuador entre 1 y 3 días hábiles luego del envío.

Reseña del libro "Erkennung von Netzwerkangriffen im IoT mit künstlicher Intelligenz (en Alemán)"

Wir mögen einfache und automatisierte Lösungen, aber diese einfachen und automatisierten Lösungen in der Technologie können auch Risiken enthalten, wenn sie nicht richtig gehandhabt werden. IoT-Sicherheits- und Datenschutzbelange müssen imMittelpunkt stehen. Es kann mehrere Arten von Angriffen auf IoT-Netzwerke geben, die das Gerät beschädigen oder die sensiblen Informationen stehlen können . Daher haben Techniken der künstlichen Intelligenz (KI) dieFähigkeit, ein unbekanntes Netzwerkverhalten zu erkennen und zu klassifizieren, indem sie die Muster von Netzwerkangriffen aufder Grundlage gro er Mengen historischer Daten erlernen . Wir haben den Aposemat IoT-23-Datensatz verwendet, den Hintergrund untersucht und die Algorithmen des maschinellen Lernens wie Entscheidungsbaum, Random Forest und Naive Bayes implementiert . Wir verglichen auch die Genauigkeit zwischen diesen maschinellen Lernalgorithmen auf dem IoT-23-Datensatz und zeigten den effizientesten maschinellen Lernalgorithmus gemä den Ergebnissen, indem wir den Aposemat IoT-23-Datensatz verwendeten, sowieFeature-Engineering-Techniken zur Vorverarbeitung des erwähnten Datensatzes für die Erkennung und Klassifizierung von IoT-Netzwerkangriffen.