Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
SYSTEME DE DETECTION ET DE PREVISION D?INTRUSIONS
Academiques - EAN : 9783841621214
Édition papier
EAN : 9783841621214
Paru le : 8 déc. 2013
89,90 €
85,21 €
Epuisé
Pour connaître votre prix et commander, identifiez-vous
Manquant sans date
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9783841621214
- Réf. fournisseur : 5651204
- Editeur : Academiques
- Date Parution : 8 déc. 2013
- Disponibilite : Manque sans date
- Barème de remise : NS
- Nombre de pages : 224
- Format : 1.30 x 15.20 x 22.90 cm
- Poids : 336gr
- Interdit de retour : Retour interdit
- Résumé : Ici on propose un système de détection et de prévision d'intrusions à base de réseaux d'inférence incertaine et imprécise. Partant d'un historique de sessions, il s'agit de proposer une méthode d'apprentissage supervisé doublée d'un classifieur permettant d'extraire les connaissances nécessaires pour identifier la présence ou non d'une intrusion dans une session et dans le cas positif de reconnaître son type et de prévoir les éventuelles intrusions qui l'ensuivent. L'originalité de notre approche est qu'elle intègre dans le cadre d'un système global anti-intrusions détection d'intrusions au niveau des hôtes (HIDS) et prévision d'intrusions au niveau du réseau (NIPS), se basant dans les deux couches sur une hybridation bayésienne possibiliste. Les données utilisées pour l'expérimentation de notre système sont proposées par KDD'99 et DARPA 2000. Les résultats expérimentaux prouvent que le système de détection et de prévision d'intrusions à base d'une hybridation bayésienne possibiliste ici proposée peut efficacement gérer l'incertitude et l'imprécision et exploiter toutes les données disponibles.
