دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Network anomaly detection: a machine learning perspective
دانلود کتاب تشخیص ناهنجاری شبکه: دیدگاه یادگیری ماشین
مشخصات کتاب
Network anomaly detection: a machine learning perspective
ویرایش:
نویسندگان: Bhattacharyya. Dhruba K
سری:
ISBN (شابک) : 9781466582088, 1466582081
ناشر: CRC Press, Taylor & Francis Group
سال نشر: 2014
تعداد صفحات: 364
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 3 مگابایت
قیمت کتاب (تومان) : 37,000
کلمات کلیدی مربوط به کتاب تشخیص ناهنجاری شبکه: دیدگاه یادگیری ماشین: یادگیری ماشینی (هوش مصنوعی)، شبکه های کامپیوتری - اقدامات ایمنی، شبکه های کامپیوتری - اقدامات امنیتی، سیستم های تشخیص نفوذ (امنیت کامپیوتری)، یادگیری ماشینی، شبکه های کامپیوتری - اقدامات امنیتی، امنیت کامپیوتر، شبکه های کامپیوتری - اقدامات امنیتی، کامپیوتر امنیت، یادگیری ماشین (هوش مصنوعی)، شبکه های کامپیوتری - اقدامات امنیتی، شبکه های کامپیوتری - اقدامات ایمنی
در صورت تبدیل فایل کتاب Network anomaly detection: a machine learning perspective 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 تشخیص ناهنجاری شبکه: دیدگاه یادگیری ماشین 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 تشخیص ناهنجاری شبکه: دیدگاه یادگیری ماشین
با افزایش سریع در همه جا و پیچیدگی فناوری اینترنت و رشد همراه در تعداد حملات شبکه، تشخیص نفوذ شبکه اهمیت فزاینده ای پیدا کرده است. تشخیص نفوذ شبکه مبتنی بر ناهنجاری به یافتن الگوهای استثنایی یا ناسازگار در داده های ترافیک شبکه در مقایسه با رفتار عادی اشاره دارد. یافتن این ناهنجاری ها کاربردهای گسترده ای در زمینه هایی مانند امنیت سایبری، شناسایی تقلب در کارت اعتباری و بیمه و نظارت نظامی برای فعالیت های دشمن دارد. تشخیص ناهنجاری شبکه: چشم انداز یادگیری ماشین تکنیک های یادگیری ماشین را به طور عمیق ارائه می دهد تا به شما کمک کند نفوذ شبکه را به طور مؤثرتری شناسایی و مقابله کنید. در این کتاب، شما با موارد زیر آشنا خواهید شد: ناهنجاری ها و آسیب پذیری های شبکه در لایه های مختلف مزایا و معایب تکنیک ها و الگوریتم های مختلف یادگیری ماشین طبقه بندی حملات بر اساس ویژگی ها و رفتار آنها الگوریتم های انتخاب ویژگی نحوه ارزیابی دقت، عملکرد، کامل بودن ، به موقع بودن، پایداری، قابلیت همکاری، قابلیت اطمینان و سایر جنبه های پویا یک سیستم تشخیص ناهنجاری شبکه ابزارهای عملی برای راه اندازی حملات، ضبط بسته ها یا ترافیک جریان، استخراج ویژگی ها، شناسایی حملات، و ارزیابی عملکرد تشخیص مسائل حل نشده مهم و چالش های تحقیقاتی که نیاز به با بررسی دقیق حملات متعدد، نویسندگان به ابزارهایی که مزاحمان استفاده می کنند نگاه می کنند و نحوه استفاده از این دانش را برای محافظت از شبکه ها نشان می دهند. این کتاب همچنین موادی را برای توسعه عملی فراهم می‌کند، به طوری که می‌توانید روی یک بستر آزمایشی کدنویسی کنید تا روش‌های تشخیص را برای توسعه سیستم تشخیص نفوذ خود پیاده‌سازی کنید. این یک مقدمه کامل از وضعیت هنر در تشخیص ناهنجاری شبکه با استفاده از رویکردها و سیستم های یادگیری ماشینی ارائه می دهد.
توضیحاتی درمورد کتاب به خارجی
With the rapid rise in the ubiquity and sophistication of Internet technology and the accompanying growth in the number of network attacks, network intrusion detection has become increasingly important. Anomaly-based network intrusion detection refers to finding exceptional or nonconforming patterns in network traffic data compared to normal behavior. Finding these anomalies has extensive applications in areas such as cyber security, credit card and insurance fraud detection, and military surveillance for enemy activities. Network Anomaly Detection: A Machine Learning Perspective presents machine learning techniques in depth to help you more effectively detect and counter network intrusion. In this book, you’ll learn about: Network anomalies and vulnerabilities at various layers The pros and cons of various machine learning techniques and algorithms A taxonomy of attacks based on their characteristics and behavior Feature selection algorithms How to assess the accuracy, performance, completeness, timeliness, stability, interoperability, reliability, and other dynamic aspects of a network anomaly detection system Practical tools for launching attacks, capturing packet or flow traffic, extracting features, detecting attacks, and evaluating detection performance Important unresolved issues and research challenges that need to be overcome to provide better protection for networks Examining numerous attacks in detail, the authors look at the tools that intruders use and show how to use this knowledge to protect networks. The book also provides material for hands-on development, so that you can code on a testbed to implement detection methods toward the development of your own intrusion detection system. It offers a thorough introduction to the state of the art in network anomaly detection using machine learning approaches and systems.
فهرست مطالب
IntroductionThe Internet and Modern NetworksNetwork VulnerabilitiesAnomalies and Anomalies in NetworksMachine LearningPrior Work on Network Anomaly DetectionContributions of This BookOrganizationNetworks and AnomaliesNetworking BasicsAnomalies in a NetworkAn Overview of Machine Learning MethodsIntroductionTypes of Machine Learning MethodsSupervised Learning: Some Popular MethodsUnsupervised LearningProbabilistic LearningSoft ComputingReinforcement LearningHybrid Learning MethodsDiscussionDetecting Anomalies in Network DataDetection of Network AnomaliesAspects of Network Anomaly DetectionDatasetsDiscussionFeature SelectionFeature Selection vs. Feature ExtractionFeature RelevanceAdvantagesApplications of Feature SelectionPrior Surveys on Feature SelectionProblem FormulationSteps in Feature SelectionFeature Selection Methods: A TaxonomyExisting Methods of Feature SelectionSubset Evaluation MeasuresSystems and Tools for Feature SelectionDiscussionApproaches to Network Anomaly DetectionNetwork Anomaly Detection MethodsTypes of Network Anomaly Detection MethodsAnomaly Detection Using Supervised LearningAnomaly Detection Using Unsupervised LearningAnomaly Detection Using Probabilistic LearningAnomaly Detection Using Soft ComputingKnowledge in Anomaly DetectionAnomaly Detection Using Combination LearnersDiscussionEvaluation MethodsAccuracyPerformanceCompletenessTimelinessStabilityInteroperabilityData Quality, Validity and ReliabilityAlert InformationUnknown Attacks DetectionUpdating ReferencesDiscussionTools and SystemsIntroductionAttack Related ToolsAttack Detection SystemsDiscussionOpen Issues, Challenges and Concluding RemarksRuntime Limitations for Anomaly Detection SystemsReducing the False Alarm RateIssues in Dimensionality ReductionComputational Needs of Network Defense MechanismsDesigning Generic Anomaly Detection SystemsHandling Sophisticated AnomaliesAdaptability to Unknown AttacksDetecting and Handling Large-Scale AttacksInfrastructure AttacksHigh Intensity AttacksMore Inventive AttacksConcluding RemarksReferencesIndex
