Readings Newsletter
Become a Readings Member to make your shopping experience even easier.
Sign in or sign up for free!
You’re not far away from qualifying for FREE standard shipping within Australia
You’ve qualified for FREE standard shipping within Australia
The cart is loading…

En r ponse aux probl mes pos s par la complexit croissante des r seaux et des attaques informatiques, les syst mes de d tection d'intrusions (SDIs) constituent une bonne alternative pour mieux s curiser un r seau ou un syst me informatique. Cependant, les SDIs existants pr sentent des lacunes en termes de g n ration excessive de fausses alarmes. Dans ce m moire, nous proposons une nouvelle approche de d tection d'intrusions, dont le but est la r duction de fausses alarmes et l'am lioration de d tection de vraies attaques. Ainsi, nous proposons un nouveau syst me de d tection d'intrusions bas sur les r gles associatives g n riques de classification. En effet, l'extraction de r gles g n riques permet de minimiser le nombre de r gles de d tection, tandis que la classification associative permet la concentration sur les r gles utiles. En outre, un classifieur est construit pour am liorer le m canisme de d tection de nouvelles attaques. L' tude empirique, que nous avons men e, montre la robustesse et l'efficacit du nouveau syst me propos vs. ceux de la litt rature.
$9.00 standard shipping within Australia
FREE standard shipping within Australia for orders over $100.00
Express & International shipping calculated at checkout
Stock availability can be subject to change without notice. We recommend calling the shop or contacting our online team to check availability of low stock items. Please see our Shopping Online page for more details.
En r ponse aux probl mes pos s par la complexit croissante des r seaux et des attaques informatiques, les syst mes de d tection d'intrusions (SDIs) constituent une bonne alternative pour mieux s curiser un r seau ou un syst me informatique. Cependant, les SDIs existants pr sentent des lacunes en termes de g n ration excessive de fausses alarmes. Dans ce m moire, nous proposons une nouvelle approche de d tection d'intrusions, dont le but est la r duction de fausses alarmes et l'am lioration de d tection de vraies attaques. Ainsi, nous proposons un nouveau syst me de d tection d'intrusions bas sur les r gles associatives g n riques de classification. En effet, l'extraction de r gles g n riques permet de minimiser le nombre de r gles de d tection, tandis que la classification associative permet la concentration sur les r gles utiles. En outre, un classifieur est construit pour am liorer le m canisme de d tection de nouvelles attaques. L' tude empirique, que nous avons men e, montre la robustesse et l'efficacit du nouveau syst me propos vs. ceux de la litt rature.