The effectiveness of vaccinations on the spread of email-borne computer viruses
Notice bibliographique
Résumé
In the last decade, computer viruses have caused tremendous losses to organizations. New viruses continue to cause havoc, in spite of having better antivirus software. It is thus imperative that we understand what factors significantly influence the spread of viruses. In this paper, we model the networks of users as graphs. For simplicity, we assume that every user works only on their own computer. We assume that nodes in the graph are initially susceptible to infection. Once infected, a node may spread the virus (using perhaps, the inbox or address book) until either the virus is removed and the node is immunized. We assume that an immunized node never gets the same virus again. We study the effect of vaccinations in containing the spread of email-borne computer viruses on some traditional structured interconnection graphs, as well as "Internet-like" small-world graphs. We test the effectiveness of vaccinations in containing the spread of viruses by looking at the total number of nodes infected for different values of the delay D which is incurred in detecting a virus, developing a vaccine and immunizing each infected node. Our simple user model assumes that a user is likely to open an email attachment (and activate the virus) with probability p and delete it with probability 1 - p. Intuitively, one would expect that the fraction of nodes infected would increase slowly as p is varied or as D is varied. Using simulations, we demonstrate that while this is true for the traditional graphs we used, it does not hold for small-world graphs. Since user networks are known to be small-world graphs, this implies that vaccinations are far less effective on real networks than they would be if the user networks were like traditional interconnection graphs
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».