Zobrazeno 1 - 10
of 3 232
pro vyhledávání: '"Zero-day attack"'
Zero-day and ransomware attacks continue to challenge traditional Network Intrusion Detection Systems (NIDS), revealing their limitations in timely threat classification. Despite efforts to reduce false positives and negatives, significant attacks pe
Externí odkaz:
http://arxiv.org/abs/2408.05244
Autor:
korba, Abdelaziz Amara, Boualouache, Abdelwahab, Brik, Bouziane, Rahal, Rabah, Ghamri-Doudane, Yacine, Senouci, Sidi Mohammed
Deploying Connected and Automated Vehicles (CAVs) on top of 5G and Beyond networks (5GB) makes them vulnerable to increasing vectors of security and privacy attacks. In this context, a wide range of advanced machine/deep learning based solutions have
Externí odkaz:
http://arxiv.org/abs/2407.03070
The Internet of Vehicles (IoV) is a crucial technology for Intelligent Transportation Systems (ITS) that integrates vehicles with the Internet and other entities. The emergence of 5G and the forthcoming 6G networks presents an enormous potential to t
Externí odkaz:
http://arxiv.org/abs/2407.02969
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Sarhan, Mohanad1 (AUTHOR) m.sarhan@uq.net.au, Layeghy, Siamak1 (AUTHOR), Gallagher, Marcus1 (AUTHOR), Portmann, Marius1 (AUTHOR)
Publikováno v:
International Journal of Information Security. Aug2023, Vol. 22 Issue 4, p947-959. 13p.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
In Computers & Security April 2024 139
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
The standard ML methodology assumes that the test samples are derived from a set of pre-observed classes used in the training phase. Where the model extracts and learns useful patterns to detect new data samples belonging to the same data classes. Ho
Externí odkaz:
http://arxiv.org/abs/2109.14868