Entwicklung und Laborexperiment von Convolutional Neural Networks mit Variationscharakteristik für fortschrittliche Cybersicherheitsanalysen
-
- Taschenbuch
- eBook ausgewählt
-
Form:Einzelkauf Download
-
Sprache:Deutsch
36,99 €
inkl. gesetzl. MwSt.Beschreibung
Produktdetails
Format
Kopierschutz
Nein
Family Sharing
Nein
Text-to-Speech
Nein
Erscheinungsdatum
10.06.2024
Verlag
GRINSeitenzahl
112 (Printausgabe)
Dateigröße
5767 KB
Sprache
Deutsch
EAN
9783389032657
Masterarbeit aus dem Jahr 2024 im Fachbereich Informatik - IT-Security, Note: 1,0, Hochschule Fresenius Idstein, Sprache: Deutsch, Abstract: Die vorliegende Masterarbeit zielt darauf ab, aus der Perspektive der Datenwissenschaften und IT-Sicherheit eigens entwickelte randomisierte CNN-Modelle mit insgesamt 200 Modellen sowie Standardmodelle (VGGNet, AlexNet sowie LeNet 5) experimentell zu untersuchen. Außerdem soll durch einen Vergleich mit dem weltweiten State-of-the-Art eine entsprechende Optimierung und Bewertung vorgenommen werden.
Die Masterarbeit zielt im Besonderen darauf ab, die Wirksamkeit von CNN-Technologien in der Cybersicherheit auf Basis des CIC-MalMem-2022-Datensatzes profund zu untersuchen. Zusätzlich zielt sie darauf ab, die Anwendungsgebiete dieser Technologien zu erweitern und ihre Grenzen in der aktuellen und zukünftigen Sicherheitslandschaft zu erforschen.
Die Hauptforschungsleitfrage (FF1) und die drei dazugehörigen Forschungsunterleitfragen (UFF1-UFF3) sind darauf ausgerichtet, ein tiefgehendes Verständnis für die geringfügigen Abweichungen und subtilen Differenzierungen innerhalb der einzelnen CNN-Technologien zu entwickeln. Der Hauptschwerpunkt dieser Arbeit liegt aber auf der Hauptforschungsfrage FF1. Zudem sollen sie praktische Lösungen für aktuelle Sicherheitsherausforderungen aufzeigen. Diese Forschungsfragen zielen darauf ab, die Auswirkungen von Architekturmodifikationen auf die Leistungsfähigkeit von CNNs im Bereich der Malware-Erkennung umfassend zu analysieren und ihre Anwendung aus technischer sowie ethischer Perspektive zu bewerten. Die Hauptforschungsfrage FF1 lautet:
Wie kann die Architektur von Convolutional Neural Networks effektiv modifiziert werden, um komplexe Muster in hochdimensionalen tabellarischen Daten zu erkennen und zu klassifizieren, und welche Auswirkungen haben diese Anpassungen auf die Leistungsfähigkeit des CNNs bei unterschiedlichen Klassifizierungs-Aufgaben, sowohl in multi-kategorialen als auch in binären Szenarien?
Die Masterarbeit zielt im Besonderen darauf ab, die Wirksamkeit von CNN-Technologien in der Cybersicherheit auf Basis des CIC-MalMem-2022-Datensatzes profund zu untersuchen. Zusätzlich zielt sie darauf ab, die Anwendungsgebiete dieser Technologien zu erweitern und ihre Grenzen in der aktuellen und zukünftigen Sicherheitslandschaft zu erforschen.
Die Hauptforschungsleitfrage (FF1) und die drei dazugehörigen Forschungsunterleitfragen (UFF1-UFF3) sind darauf ausgerichtet, ein tiefgehendes Verständnis für die geringfügigen Abweichungen und subtilen Differenzierungen innerhalb der einzelnen CNN-Technologien zu entwickeln. Der Hauptschwerpunkt dieser Arbeit liegt aber auf der Hauptforschungsfrage FF1. Zudem sollen sie praktische Lösungen für aktuelle Sicherheitsherausforderungen aufzeigen. Diese Forschungsfragen zielen darauf ab, die Auswirkungen von Architekturmodifikationen auf die Leistungsfähigkeit von CNNs im Bereich der Malware-Erkennung umfassend zu analysieren und ihre Anwendung aus technischer sowie ethischer Perspektive zu bewerten. Die Hauptforschungsfrage FF1 lautet:
Wie kann die Architektur von Convolutional Neural Networks effektiv modifiziert werden, um komplexe Muster in hochdimensionalen tabellarischen Daten zu erkennen und zu klassifizieren, und welche Auswirkungen haben diese Anpassungen auf die Leistungsfähigkeit des CNNs bei unterschiedlichen Klassifizierungs-Aufgaben, sowohl in multi-kategorialen als auch in binären Szenarien?
Kundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice