برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب A Deep Learning based Approach to Proactive and Reactive Enterprise Security

دانلود کتاب یک رویکرد مبتنی بر یادگیری عمیق برای امنیت سازمانی فعال و واکنشی

مشخصات کتاب

A Deep Learning based Approach to Proactive and Reactive Enterprise Security

دسته بندی: امنیت
ویرایش:  
نویسندگان: Sumit Chakraborty  
سری:  
 
ناشر: Business Analytics Research Lab India 
سال نشر: 2015 
تعداد صفحات: 12 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 305 کیلوبایت

قیمت کتاب (تومان) : 31,000

کلمات کلیدی مربوط به کتاب یک رویکرد مبتنی بر یادگیری عمیق برای امنیت سازمانی فعال و واکنشی: محاسبات چند جانبه ایمن تطبیقی، رمزنگاری مالی، امنیت پیشگیرانه، امنیت واکنشی، یادگیری عمیق، امنیت سازمانی، یادگیری ماشینی دشمن

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 18

در صورت تبدیل فایل کتاب A Deep Learning based Approach to Proactive and Reactive Enterprise Security به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب یک رویکرد مبتنی بر یادگیری عمیق برای امنیت سازمانی فعال و واکنشی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب یک رویکرد مبتنی بر یادگیری عمیق برای امنیت سازمانی فعال و واکنشی

چکیده: این کار ساخت یک مکانیسم الگوریتمی مبتنی بر یادگیری عمیق را برای تضمین امنیت یک سیستم اطلاعاتی مبتنی بر رویکرد فعال و واکنشی ارائه می‌کند. بلوک های اصلی سازوکار، تجزیه و تحلیل تهدید، راه حل های رمزنگاری و محاسبات چند جانبه ایمن تطبیقی است. این اساساً تلاشی برای لقاح متقابل نظریه بازی های الگوریتمی و رمزنگاری مالی است. استراتژی یادگیری عمیق را برای امنیت فعال و واکنشی بر اساس ویژگی های محاسبات چند جانبه ایمن تطبیقی تعریف می کند. این کار همچنین کاربرد مکانیسم را در استدلال دو مورد آزمایشی نشان می دهد: (الف) امنیت سازمانی و (ب) سیستم یادگیری مخرب در تنظیمات متخاصم. این پیچیدگی مکانیسم را از نظر هزینه محاسباتی و هوش امنیتی تجزیه و تحلیل می کند. انتظار می رود این مطالعه برای یک سازمان تحقیقات دفاعی مفید باشد. کلمات کلیدی: محاسبات چند جانبه امن تطبیقی، رمزنگاری مالی، امنیت پیشگیرانه، امنیت واکنشی، یادگیری عمیق، امنیت سازمانی، یادگیری ماشین متخاصم، تحلیل پیچیدگی.

توضیحاتی درمورد کتاب به خارجی

Abstract: This work presents the construction of a deep learning based algorithmic mechanism to ensure the security of an information system based on proactive and reactive approach. The basic building blocks of the mechanism are threat analytics, cryptographic solutions and adaptive secure multiparty computation. It is basically an attempt of the cross fertilization of algorithmic game theory and financial cryptography. It defines deep learning strategy for proactive and reactive security based on the properties of adaptive secure multi-party computation. This work also shows the application of the mechanism on reasoning two test cases: (a) enterprise security and (b) malicious learning system in adversarial setting. It analyzes the complexity of the mechanism in terms of computational cost and security intelligence. This study is expected to be useful for a defense research organization. Keywords: Adaptive Secure multi-party computation, Financial cryptography, Proactive security, Reactive security, Deep learning, Enterprise security, Adversarial machine learning, Complexity analysis.

فهرست مطالب

This work is organized as follows. Section 2 highlights the importance of adaptive secure multi-party computation in deep learning mechanism. It defines deep learning strategy of information system security based on proactive and reactive approaches. Section 3 outlines the algorithmic mechanism of deep learning in details in the context of analyzing two test cases: DLM-ES for enterprise security and DLM–MLS for adversarial learning system. Section 4 shows the complexity analysis of deep learning mechanism from the perspective of computational cost and security intelligence. Section 5 concludes the work.