XiaoMi-AI文件搜索系统
World File Search Systemntru
a-繁殖 - 网络 - 网络入学检测 -
作者：Siddharth Konkimalla 1*，Gagan Kumar Patra 2，Chandrababu Kuraku 3，Janardhana Rao Sunkara 4，Sanjay Ramdas Bauskar 5，Chandrakanth Rao Madhavaram 6，Kiran Polimetla 7 1 Adobe Invection kiran Polimetla 7 1 Adybe Inventern。电子邮件：siddharth.konkimalla@gmail.com 2 Tata Consultancy Services，高级解决方案建筑师。电子邮件：gagankpatra@outlook.com 3 Mitaja Corportaion，高级解决方案建筑师。电子邮件：chandrababu.kuraku@gmail.com 4 CVS Pharmacy Inc.，Sr。Oracle数据库管理员。电子邮件：janardhanasunkara9@gmail.com 5 Pharmavite LLC，高级数据库管理员。电子邮件：sanjaybauskar@gmail.com 6 Microsoft，支持升级工程师。电子邮件：chandrakanthmadhavaram@gmail.com 7 Adobe Inc，软件工程师。电子邮件：kiran.polimetla@gmail.com *通讯作者：Siddharth Konkimalla，Adobe Inc，SR网络开发工程师。引用：Siddharth K，Gagan Kumar P，Chandrababu K，Janardhana Rao S，Sanjay Ramdas B等。（2023）使用不同的机器学习技术对网络入侵检测进行比较分析。j ensp edu theo artific intel：jcetai-102。收到的日期：2023年10月10日；接受日期：2023年10月18日；发布日期：2023年10月23日
来自不可信组件的可信人工智能系统
摘要 本文讨论了使用著名的冯·诺依曼范式 (VNP) 创建可信赖且可解释的人工智能 (AI) 和基于人工智能的系统 (AIS) 的可能性。分析了人工智能和人工智能系统质量模型，重点关注与人工智能可信度、人工智能系统安全性和保障性相关的最具挑战性的属性。描述了分析框架、VPN 公式、实施方法和 VNP 的演进阶段（在可靠和有弹性的系统和基础设施的背景下），包括创建人工智能系统的阶段和针对各种人工智能质量属性实施范式的特殊性。开发并研究了一种方法和数学模型，描述了在缺乏可信人工智能组件（通道）的情况下如何应用多样性原则构建可信人工智能系统。讨论了人工智能系统“永生”的问题、研究结果和未来步骤。
使用...
在过去的几十年中，在网络威胁的频率和复杂性的上升驱动下，计算机和信息安全的重要性呈指数增长。尽管入侵技术和安全技术都取得了迅速的进步，但许多组织仍在继续依靠过时的网络安全策略，使它们容易受到日益复杂的网络攻击的影响。常规防御措施，例如基本的防火墙和基于签名的检测系统，通常不足以抵抗使用高级方法（包括零日漏洞利用和多态性恶意软件）来逃避检测的现代攻击者。政府网络服务器容纳大量敏感的公民数据，是恶意演员特别有吸引力的目标。响应这些不断发展的威胁，部署入侵检测系统（IDS）已成为保护网络基础架构的关键组成部分，为未经授权的访问和数据泄露提供了必不可少的防御层。本研究探讨了六种基于机器学习的分类方法的功效；随机森林，梯度提升，Xgboost，catboost，Logistic回归和LightGBM在处理复合物，高维数据时都选择了其特定优势。这些算法应用于综合数据集以检测恶意活动，重点是实现分类性能的高精度和鲁棒性。值得注意的是，所有六个模型均表现出很大的有效性，达到0.98的准确率，AUC值达到1.00，突显了它们在增强IDS功能方面的潜力。结果强调了利用高级机器学习技术在增强网络安全防御方面的重要性，尤其是在关键领域（如政府数据保护）等关键领域，而精确性和可靠性至关重要。
大西洋海岸海上风电项目 2 号施工条件和运营计划批准
1.1 遵守已批准的施工和运营计划、法规、规章、许可证和授权。承租人必须按照其已批准的项目 COP 中提议的、本条款和条件中规定的以及 BOEM 和/或安全和环境执法局 (BSEE) 已同意的任何最终计划中所述开展所有活动。此外，承租人必须遵守商业租赁 OCS-A 0570、法规、规章、协商以及联邦、州和地方机构为项目颁发的许可证和授权中的所有适用要求。如果确定承租人未能遵守其批准的 COP、租约、《外大陆架土地法》 (OCSLA) 或 OCSLA 实施条例中的任何规定，BOEM 和/或 BSEE（视情况而定）可根据 30 CFR § 585.106(b) 和 30 CFR § 285.400(b) 发出不合规通知。BOEM 和/或 BSEE 还可根据 30 CFR § 585.106 和 30 CFR § 285.400 采取其他行动（视情况而定）。
增强医疗保健中的网络安全：机器学习和深入学习策略用于医学事物的入侵检测
摘要：物联网越来越多地用于医疗保健中，从而导致医学事物的迅速增长。该技术极有帮助监测患者并收集数据进行治疗。但是，这种技术组合也引入了重大的安全威胁，尤其是侵入医学事物（IOMT）系统的风险。本文评估了机器学习和深度学习如何改善IOMT的入侵检测系统。本文回顾了当前在入侵检测系统（IDS）中使用机器学习（ML）和深度学习（DL）的使用，重点是检测IOMT中异常活动及其有效性的系统。通过比较传统和较新的模型，例如PCA-GWO混合模型，这项研究强调了设计和改进模型以识别安全威胁的重要性。研究发现，尽管ML和DL为检测入侵提供了强大而有效的解决方案，但它们还面临计算需求，数据收集和隐私方面的挑战，并使模型易于解释。进一步的研究可以帮助改善这些领域，包括最佳算法，收集数据的法律方法以及使用高级加密和联合学习，以平衡效率与隐私。本文得出结论，优化的ML和DL技术可以大大提高IOMT的安全性，从而确保关键的医疗数据保持完整和私密。
基于超图的机器学习合奏网络入侵检测系统
摘要 - 检测恶意攻击的网络入侵检测系统（NID）继续面临挑战。NID通常是离线开发的，而它们面临自动生成的端口扫描尝试，从而导致了从对抗性适应到NIDS响应的显着延迟。为了应对这些挑战，我们使用专注于Internet协议地址和目标端口的超图来捕获端口扫描攻击的不断发展的模式。然后使用派生的基于超图的指标集来训练集合机学习（ML）基于NID的NID，以高精度，精确和召回表演以高精度，精确性和召回表演以监视和检测端口扫描活动，其他类型的攻击以及对抗性入侵。通过（1）入侵示例，（2）NIDS更新规则，（3）攻击阈值选择以触发NIDS RETRAINGE RECESTS的组合，以及（4）未经事先了解网络流量本质的生产环境。40个场景是自动生成的，以评估包括三个基于树的模型的ML集成NID。使用CIC-IDS2017数据集进行了扩展和评估所得的ML集合NIDS。结果表明，在更新的nids规则的模型设置下（特别是在相同的NIDS重新培训请求上重新训练并更新所有三个模型），在整个仿真过程中，提出的ML集合NIDS明智地进化了，并获得了近100％的检测性能，并获得了近100％的检测性能。
通过机器学习方法实时入侵检测
摘要在许多网络安全环境中，敌对行动的实时检测在保护网络基础架构中起着基本作用。在这种情况下，基于签名或异常检测的入侵检测系统（IDS）被广泛用于分析网络流量。基于签名的检测依赖于已知攻击特征的数据库，并且异常检测主要基于人工智能（AI）技术。后者有望实时检测新型的网络攻击。在这项工作中，我们提出了Retina-IDS，该框架将CicflowMeter工具与机器学习技术集成在一起，以分析实时网络流量模式并检测可能提出可能入侵的异常。所考虑的机器学习技术，随机森林和多层网络基于选定的功能，以提高效率和可扩展性。要选择功能并训练模型，我们使用了公共数据集Csecici-IDS2018的版本。通过识别不同形式的入侵，框架的有效性已在实际情况下进行了测试。分析结果，我们得出结论，提出的解决方案显示出宝贵的特征。
实施机器学习以进行入侵检测...
摘要在越来越多地发展的数字时代，计算机网络安全是一个非常重要的问题，尤其是随着网络攻击的威胁增加。检测这些威胁的有效方法之一是通过实施机器学习。本研究旨在开发和评估能够实时检测到计算机网络的入侵的机器学习模型。所提出的模型使用监督的学习技术，其中包含正常网络流量和包含攻击流量的数据集用于训练算法。所考虑的算法包括决策树，随机森林和支持向量机（SVM）。 这项研究还进行了比较分析，以评估每种算法的性能，以准确性，精度，召回和处理时间。 实验结果表明，应用的机器学习模型能够以高度准确性检测各种类型的攻击，在测试数据集中达到95％以上。 此外，事实证明，随机森林是检测入侵和精度和处理时间之间最佳平衡的最有效算法。 该系统的实施有望提高检测到计算机网络入侵的能力，从而有助于维持数据安全并减少由于网络攻击而导致的潜在损失。 关键字：机器学习，入侵检测，计算机网络所考虑的算法包括决策树，随机森林和支持向量机（SVM）。这项研究还进行了比较分析，以评估每种算法的性能，以准确性，精度，召回和处理时间。实验结果表明，应用的机器学习模型能够以高度准确性检测各种类型的攻击，在测试数据集中达到95％以上。此外，事实证明，随机森林是检测入侵和精度和处理时间之间最佳平衡的最有效算法。该系统的实施有望提高检测到计算机网络入侵的能力，从而有助于维持数据安全并减少由于网络攻击而导致的潜在损失。关键字：机器学习，入侵检测，计算机网络
使用大语言模型迈向可解释的网络入侵检测
大型语言模型（LLMS）已彻底改变了语言处理任务，尤其是作为聊天代理。但是，他们对威胁检测问题的适用性不清楚。本文研究了将LLMS作为网络入侵检测系统（NIDS）的可行性，尽管它们的计算要求很高，但出于解释性的目的而迅速占有一致。此外，已经投资了开发LLM的资源，它们可能会为NID提供效用。当前最新的NID依赖于人工基准测量数据集，当应用于现实世界的网络工作环境时，导致偏斜的性能。因此，我们将GPT-4和LLAMA3模型与传统体系结构和基于变压器的模型进行了比较，以评估它们在不依赖人工偏斜的数据集而不依赖于其广泛的预培养的AC受过的知识的情况下，不依赖于人工偏斜的数据集。我们的结果表明，尽管LLM在精确的攻击检测中挣扎，但它们具有通往可解释的NID的途径的重要潜力。我们的前探索表明，LLM不适合检测恶意Netfrows。最有希望的是，这些具有NID中互补药物的重要潜力，尤其是在与检索增强的Generation（RAG）集成时提供解释并有助于威胁响应，并呼叫功能。
罗马尼亚多维教育杂志
RevistaRomâneascăPentrugudialaţie多维ISSN：2066-7329 | E-ISSN：2067-9270涵盖：Web of Science（WOS）； ebsco; Erih+; Google Scholar;哥白尼索引；想法重复； econpapers; socionet; ceeol; Ulrich Proquest； Cabell，Journalseek； scipio; Philpapers; Sherpa/Romeo存储库； kvk;世界猫； Crossref; CrossCheck 2024，第16卷，第3期，第443-455页| https://doi.org/10.18662/rrem/16.3/903提交：2024年6月25日| Accepted for publication: July 31 st , 2024 Professional Education of Adults: Technological Challenges in the Context of Neuroscience Liudmyla TYMCHUK 1 Liliia VIEILANDIE 2 Valeriia PAVLOVA 3 Lyubov PROKOFYEVA 4 Olena TADEUSH 5 Zhanna BOGDAN 6 1 Doctor of Pedagogical Sciences, Professor, Head of the Department of Pedagogy and Social Work, Yuriy Fedkovych Chernivtsi国立大学，Chernivtsi，乌克兰，乌克兰，l.tymchuk@chnu.edu.ua，http://orcid.org/0000-0000-0000-0000-0000-0000-0000-12-3122-8150 2教育学博士学位，教育学副教授，教学教育教育和社交rebhabical Rehabilitation I.I I.I I.I I.I I.I I.I. I.I. I.I. odea odsa.osa.osa。Mechnikov国立大学，乌克兰，乌克兰，veylande@ukr.net，https://orcid.org/0000-0000-0000-0000-0001-5804-2500 3教育学博士 Mechnikov国立大学，乌克兰，乌克兰，pavlovavalery@onu.edu.ua，https://orcid.org/000000-0000-0000-0000-6534-2050 4 Phd in Gedagogy in Gedagogy，教育学教育和社会重生副教授，教育学副教授Mechnikov国立大学，乌克兰，乌克兰，veylande@ukr.net，https://orcid.org/0000-0000-0000-0000-0001-5804-2500 3教育学博士Mechnikov国立大学，乌克兰，乌克兰，pavlovavalery@onu.edu.ua，https://orcid.org/000000-0000-0000-0000-6534-2050 4 Phd in Gedagogy in Gedagogy，教育学教育和社会重生副教授，教育学副教授Mechnikov国立大学，乌克兰，乌克兰，pavlovavalery@onu.edu.ua，https://orcid.org/000000-0000-0000-0000-6534-2050 4 Phd in Gedagogy in Gedagogy，教育学教育和社会重生副教授，教育学副教授Mechnikov National University, Odesa, Ukraine, lubaluba5@ukr.net , https://orcid.org/0000-0003-4978-6289 5 PhD in Pedagogy, Associate Professor of Department of Educology and Psychological and Pedagogical Sciences, Borys Grinchenko Kyiv University, Kyiv, Ukraine, o.tadeush@kubg.edu.ua，https：//orcid.org/0000-0000-0002-6373-4891 6心理学博士学位，心理学和社会学系副教授，西蒙·库兹尼兹·库兹尼兹·库兹涅茨·库兹尼兹·库兹尼特·库兹尼特·库兹尼特·库兹尼特·库兹尼特·库兹尼斯·库兹尼特·库兹尼特·库兹尼特·库兹尼特。 Kharkiv，乌克兰，Zhanna.bogdan@hneu.net，https://orcid.org/0000-0000-000-0003-1560-9516