机构名称：
¥ 1.0
现代计算机网络会生成大量的数据，这些数据可以使网络研究，管理和安全性受益。thisDatarepresentsComplexInteractionsAmongnetworknodes，服务，和舒斯和舒斯福斯特的发展，越来越加密且高度孤立。这些特征使得使用基于预定义的规则和签名的传统方法很难进行分析。机器学习（ML）方法在识别网络数据中的综合模式和见解方面已显示出希望[1]。然而，由于缺乏培训数据和输入数据的巨大可变性，这些方法通常会在现实世界网络操作中面临可靠性问题[2]。在从业人员和现实世界测量的见解的指导下，我的研究旨在通过数据驱动的方法，强大的系统设计和安全分析来增强机器学习对网络的应用和可靠性。我对将ML集成到网络操作中，将ML生命周期的每个阶段整合到网络操作中，以适应网络要求。我寻求在当前环境中最大化兼容性和可部署性。我的工作着重于在网络中应用数据驱动方法的三个实用挑战：（1）获得在不同网络实体中孤立的多种流量模式，（2）需要支持可扩展的平台，以支持高通量数据流的实时决策，（3）以及需要不断改变网络特征和用户行为和用户行为和用户行为。如图1，在我的工作的基础上是开发可访问，可靠和表现的Machinelearningsystemsfornetworkdataanalysis。这些系统和框架工作可以帮助打破数据孤岛[3，4，5]，并可以与其他模态合并[6]。它们被设计为与现有基础架构兼容，这些基础架构处理现代网络的规模，异质性和复杂性，实现实时[7，8，9]和自适应[10，11]网络管理和网络预测的见解。除了净工作管理外，我还针对安全和隐私方面的关键问题采用网络数据分析，以应对威胁检测[12,13,14]等挑战，并在一个高度联系的世界中保护在线隐私[15]。
研究声明 - 论文工作
主要关键词
相关文件推荐
