Towards Securing Mobile Communication from Spyware Attacks with Artificial Intelligence Techniques
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nowadays security in mobile phones is a crucial issue, attacker attacks through messages and emails and when the user opens these malicious links, they can easily insert the malware into the user’s mobile phone and get the all information/data of the user. As the number of mobile users is growing on a higher level for multiple types of applications like emails, online transaction, messaging etc. the attacker easily get all information of the user's mobiles like bank details, user credentials, photos and videos etc. In the current situation, where attacks have increased in exponential frequency, a significant problem now is putting forward innovative technology. As machine learning becomes more prevalent, it may now provide clever solutions for the early detection of spyware attacks for different mobile platforms. As machine learning becomes more prevalent, it may now provide clever solutions for many applications including early spyware attack detection. The approach that is suggested in this research work acts as a shield for mobile devices that are receiving malicious data packets from an attacker. To ensure that only authorized data packets are transferred to mobile phones, it is recommended to use a trained machine learning chip for spyware attack detection. This paper presents the comparative analysis of three artificial intelligence techniques for early spyware detection. The dataset for training and testing artificial intelligence methodologies is taken from Canadian Institute for Cyber security data repository. The results prove that the best method for detecting spyware attacks at an early stage is Convolution Neural Network.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle