Research on decision optimization of network security expert system based on multi-source heterogeneous data
Notice bibliographique
Résumé
With the prosperous development of the Internet, the open network environment has also become a breeding ground for hackers, especially in the huge network system, the multi-stage, large-scale and coordinated network attacks have brought great trouble to the traditional defense means.This study designs a network security expert system based on multi-source heterogeneous data based on the characteristics of huge volume of multi-source heterogeneous network security data, heterogeneous format, and diverse semantics.The system contains five hierarchical structures: perception layer, event layer, alarm layer, attack context and attack pattern layer, and attack scenario layer.Petri nets are used for network security risk analysis and assessment to overcome the shortcomings of traditional defenses that become difficult to handle after modeling the attack scenarios.Incorporating the D-S evidence theory, the outputs of multiple decision engines are applied to the network security posture assessment to analyze the network condition from a global perspective and further enhance the effect of network attack classification.In the simulation experiments of simulated attacks, the monitoring information of the network security expert system has autocorrelation coefficients within two times standard deviation ( 0.1 ) after the 0th-order differencing, which indicates that the system is able to accurately assess the potential values of network attacks, such as scanning, brute-force cracking, DoS, and Web.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 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 ».