A Survey of <scp>SIR</scp> ‐Based Differential Epidemic Models for Control and Security Against Malware Propagation in Computer Networks
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
ABSTRACT Unarguably, malware and their variants have metamorphosed into objects of attack and cyber warfare. These issues have directed research focus to modeling infrastructural settings and infection scenarios, analyzing propagation mechanisms, and conducting studies that highlight optimized remedial measures. Most importantly, these studies aim to reduce the frequency of large‐scale attacks that cause significant losses for both individuals and business organizations. However, there is a ubiquitous application of the classical differential equation‐based Susceptible‐Infected‐Recovered (SIR) model by Kermack and McKendrick for the modeling and analysis of malware propagation in several network environments. Therefore, 143 epidemic SIR‐based models were reviewed using several parameters such as infection types, incidence rates, equilibrium and stability analyses, reproduction number/epidemic threshold, graph topology, numerical methods, and sensitivity analyses, thus answering posed research questions. Other features/issues relating to computer malware or computer networks were also identified and discussed; they include differential equations, networks, user vigilance and awareness, vertical transmission, multistate antivirus/real‐time immunization, fuzzy logic, removable storage media, and optimal control. Possible open areas include the need for real‐world malware traces and networks, application‐layer protocols, IPv6, hybrid modeling, graph neural networks, cloud migration, digital twins, and the use of awareness campaigns against cybersecurity issues.
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 | 0,000 |
| 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 découle