اکسپرس 24
ترجمه فارسی مقاله تشخیص موجودیت‌های اینترنتی مخرب با استفاده از استنتاج گراف محلی

ترجمه فارسی مقاله تشخیص موجودیت‌های اینترنتی مخرب با استفاده از استنتاج گراف محلی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Malicious Internet Entity Detection Using Local Graph Inference
عنوان مقاله به فارسی تشخیص موجودیت‌های اینترنتی مخرب با استفاده از استنتاج گراف محلی
نویسندگان Simon Mandlik, Tomas Pevny, Vaclav Smidl, Lukas Bajer
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
دسته بندی موضوعات Machine Learning,Cryptography and Security,یادگیری ماشین , رمزنگاری و امنیت ,
توضیحات Submitted 7 August, 2024; v1 submitted 6 August, 2024; originally announced August 2024. , Comments: A preprint. Full publication: https://ieeexplore.ieee.org/document/10418120
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛V1 ارسال شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: پیش نویس.انتشار کامل: https://ieeexplore.ieee.org/document/10418120

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 680,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Detection of malicious behavior in a large network is a challenging problem for machine learning in computer security, since it requires a model with high expressive power and scalable inference. Existing solutions struggle to achieve this feat -- current cybersec-tailored approaches are still limited in expressivity, and methods successful in other domains do not scale well for large volumes of data, rendering frequent retraining impossible. This work proposes a new perspective for learning from graph data that is modeling network entity interactions as a large heterogeneous graph. High expressivity of the method is achieved with neural network architecture HMILnet that naturally models this type of data and provides theoretical guarantees. The scalability is achieved by pursuing local graph inference, i.e., classifying individual vertices and their neighborhood as independent samples. Our experiments exhibit improvement over the state-of-the-art Probabilistic Threat Propagation (PTP) algorithm, show a further threefold accuracy improvement when additional data is used, which is not possible with the PTP algorithm, and demonstrate the generalization capabilities of the method to new, previously unseen entities.

چکیده به فارسی (ترجمه ماشینی)

تشخیص رفتار مخرب در یک شبکه بزرگ یک مشکل چالش برانگیز برای یادگیری ماشین در امنیت رایانه است ، زیرا به یک مدل با قدرت بیان بالا و استنتاج مقیاس پذیر نیاز دارد.راه حل های موجود برای دستیابی به این شاهکار تلاش می کند-رویکردهای فعلی متناسب با فضای مجازی هنوز در بیان محدود هستند و روشهای موفقیت آمیز در حوزه های دیگر برای حجم زیادی از داده ها به خوبی مقیاس نمی شوند و بازآفرینی مکرر را غیرممکن می کنند.این کار چشم انداز جدیدی را برای یادگیری از داده های نمودار که مدل سازی تعامل شبکه شبکه به عنوان یک نمودار ناهمگن بزرگ است ، پیشنهاد می کند.بیان زیاد این روش با معماری شبکه عصبی hmilnet حاصل می شود که به طور طبیعی از این نوع داده ها مدل می کند و ضمانت های نظری را ارائه می دهد.مقیاس پذیری با پیگیری استنباط نمودار محلی ، یعنی طبقه بندی رئوس های فردی و محله آنها به عنوان نمونه های مستقل حاصل می شود.آزمایشات ما بهبود در الگوریتم پیشرفته تهدیدآمیز (PTP) پیشرفته (PTP) را نشان می دهد ، در هنگام استفاده از داده های اضافی ، دقت سه گانه دیگری را نشان می دهد ، که با الگوریتم PTP امکان پذیر نیست و توانایی های عمومی سازی روش را نشان می دهدبه موجودات جدید ، قبلاً غیب.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.