Hinweis: Um die korrekte Darstellung der Seite zu erhalten, müssen Sie beim Drucken die Hintergrundgrafiken erlauben.

Cybersecurity in intelligent networking systems

Objektkategorie:
Elektronische Ressource
Bereitstellende Institution:
Forschungsbibliothek Gotha
Verlag:
Wiley
Ort:
Hoboken, NJ
Entstehungszeit:
2023
Sprache:
Englisch
Abstract:
Cover -- Title Page -- Copyright -- Contents -- About the Authors -- Preface -- Acknowledgments -- Acronyms -- Chapter 1 Cybersecurity in the Era of Artificial Intelligence -- 1.1 Artificial Intelligence for Cybersecurity -- 1.1.1 Artificial Intelligence -- 1.1.2 Machine Learning -- 1.1.2.1 Supervised Learning -- 1.1.2.2 Unsupervised Learning -- 1.1.2.3 Semi‐supervised Learning -- 1.1.2.4 Reinforcement Learning -- 1.1.3 Data‐Driven Workflow for Cybersecurity -- 1.2 Key Areas and Challenges -- 1.2.1 Anomaly Detection -- 1.2.2 Trustworthy Artificial Intelligence -- 1.2.3 Privacy Preservation -- 1.3 Toolbox to Build Secure and Intelligent Systems -- 1.3.1 Machine Learning and Deep Learning -- 1.3.1.1 NumPy -- 1.3.1.2 SciPy -- 1.3.1.3 Scikit‐learn -- 1.3.1.4 PyTorch -- 1.3.1.5 TensorFlow -- 1.3.2 Privacy‐Preserving Machine Learning -- 1.3.2.1 Syft -- 1.3.2.2 TensorFlow Federated -- 1.3.2.3 TensorFlow Privacy -- 1.3.3 Adversarial Machine Learning -- 1.3.3.1 SecML and SecML Malware -- 1.3.3.2 Foolbox -- 1.3.3.3 CleverHans -- 1.3.3.4 Counterfit -- 1.3.3.5 MintNV -- 1.4 Data Repositories for Cybersecurity Research -- 1.4.1 NSL‐KDD -- 1.4.2 UNSW‐NB15 -- 1.4.3 EMBER -- 1.5 Summary -- Notes -- References -- Chapter 2 Cyber Threats and Gateway Defense -- 2.1 Cyber Threats -- 2.1.1 Cyber Intrusions -- 2.1.2 Distributed Denial of Services Attack -- 2.1.3 Malware and Shellcode -- 2.2 Gateway Defense Approaches -- 2.2.1 Network Access Control -- 2.2.2 Anomaly Isolation -- 2.2.3 Collaborative Learning -- 2.2.4 Secure Local Data Learning -- 2.3 Emerging Data‐driven Methods for Gateway Defense -- 2.3.1 Semi‐supervised Learning for Intrusion Detection -- 2.3.2 Transfer Learning for Intrusion Detection -- 2.3.3 Federated Learning for Privacy Preservation -- 2.3.4 Reinforcement Learning for Penetration Test.
Objekttext:
Shengjie Xu (San Diego State University, USA), Yi Qian (University of Nebraska-Lincoln, USA), Rose Qingyang Hu (Utah State University, USA)
Description based on publisher supplied metadata and other sources

Zugriff und Nutzungsmöglichkeiten

Datensatz angelegt am:
2023-04-12
Zuletzt geändert am:
2023-01-24
In Portal übernommen am:
2023-04-12

Ähnliche Objekte

Entdecken Sie ähnliche Objekte. Über die Datenfelder können Sie die Objekte auswählen, die Sie interessieren. Sie können Ihre Suchfilter beibehalten oder deaktivieren.


Suchfilter berücksichtigen