An Innovative Keylogger Detection System Using Machine Learning Algorithms and Dendritic Cell Algorithm
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
Every computer user deals with serious privacy and security challenges.Keyloggers are a type of software malware that records keystroke events from the console and saves them to a log file.It allows to obtain sensitive information like passwords, PINs, and usernames and communicates with vengeful attackers without attracting the attention of users.Keyloggers are also types of session hijackers that record user keystrokes made on the computer to steal any sensitive information from the system.Keyloggers are the most dangerous and covert malware for our system since they are difficult to detect because they run in the background of the computer.The primary issue with keylogger detection in a system is its time-consuming nature and its reliance on a particular type of input traffic behaviour.Keyloggers can be prevented using antiviruses, but, cannot be detected once they entered into the system.We proposed a system that combines Dendritic Cell Algorithms (DCA) and Machine Learning Algorithms (MLA) to address these problems.Our system can accurately detect a software keylogger if it is present which is based on the rate at which inputs are given to the system.The best accuracy was attained by our hybrid SVM-NB-DCA and SVM-DCA approach, with accuracies of 99.8% and 96%, respectively.Hence, results have shown that our hybrid system is effective and accurate for keylogger detection.
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 | 0,001 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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