مجله علمی تفریحی بیبیس
0

دانلود گزارش تجزیه و تحلیل داده های بزرگ و سیستم های هوشمند برای هوش تهدید سایبری

بازدید 640
  • عنوان کتاب: Big Data Analytics and Intelligent Systems for Cyber Threat Intelligence
  • نویسنده/انتشارات: Yassine Maleh
  • حوزه: تهدیدات سایبری, تجزیه و تحلیل کلان داده
  • سال انتشار: 2022
  • تعداد صفحه: 310
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 33.2 مگابایت

جامعه امنیت سایبری به آرامی از یادگیری ماشینی (ML) برای مبارزه با تهدیدات در حال تکامل استفاده می کند. یکی از بزرگترین محرک‌ها برای پذیرش موفقیت‌آمیز این مدل‌ها این است که کارشناسان و کاربران دامنه می‌توانند عملکرد آن‌ها را درک کنند و به آن اعتماد کنند. با وجود محبوبیت فزاینده مدل‌های یادگیری ماشین در برنامه‌های امنیت سایبری (به عنوان مثال، یک سیستم تشخیص نفوذ (IDS)) اکثر مدل‌ها به عنوان یک جعبه سیاه تلقی می‌شوند. با استفاده از این مدل‌های جعبه سیاه برای پیش‌بینی‌های معنادار، تقاضای ذینفعان برای شفافیت و توضیح‌پذیری افزایش می‌یابد. توضیحاتی که از خروجی مدل‌های ML پشتیبانی می‌کنند در امنیت سایبری بسیار مهم هستند، جایی که کارشناسان برای تحلیل خود به اطلاعات بسیار بیشتری از مدل نیاز دارند تا یک خروجی باینری ساده.
علاوه بر این، بیشتر نفوذهای شناسایی شده مجموعه محدودی از ویژگی ها را در یک مرحله از یک حمله ارائه می دهند. دانش دقیق و به موقع از تمام مراحل نفوذ به ما این امکان را می دهد که از قابلیت های شناسایی و پیشگیری سایبری خود پشتیبانی کنیم، اطلاعات خود را در مورد تهدیدات سایبری افزایش دهیم و اشتراک گذاری فوری اطلاعات در مورد تهدیدات را تسهیل کنیم، زیرا چندین عنصر را به اشتراک می گذاریم. تجزیه و تحلیل داده های بزرگ یک اصطلاح چتر برای روش های چند رشته ای تجزیه و تحلیل داده است که از تکنیک های ریاضی و آماری پیشرفته برای تجزیه و تحلیل مجموعه داده های بزرگ استفاده می کند. در حالی که علم داده ابزاری قدرتمند برای افزایش عملکرد است، اما به اندازه داده های مورد استفاده برای توسعه راه حل ها قوی است. تجزیه و تحلیل داده های بزرگ، هوشمندی است که به داده ها داده می شود تا داده ها را به بینش های عملی برای صنعت و جامعه تبدیل کند. تجزیه و تحلیل داده های بزرگ از بسیاری جهات به سازمان ها سود می رساند و باعث رقابت و نوآوری می شود.

The cybersecurity community is slowly leveraging machine learning (ML) to combat ever-evolving threats. One of the biggest drivers for the successful adoption of these models is how well domain experts and users can understand and trust their functionality. Most models are perceived as a black box despite the growing popularity of machine learning models in cybersecurity applications (e.g., an intrusion detection system (IDS)). As these black-box models are employed to make meaningful predictions, the stakeholders’ demand for transparency and explainability increases. Explanations supporting the output of ML models are crucial in cybersecurity, where experts require far more information from the model than a simple binary output for their analysis.

In addition, most of the detected intrusions provide a limited set of attributes on a single phase of an attack. Accurate and timely knowledge of all stages of an intrusion would allow us to support our cyber-detection and prevention capabilities, enhance our information on cyber threats, and facilitate the immediate sharing of information on threats, as we share several elements. Big data analytics is an umbrella term for multidisciplinary methods of data analytics that employ advanced mathematical and statistical techniques to analyze large datasets. While data science is a powerful tool to enhance performance, it is only as strong as the data used to develop the solutions. Big data analytics is the intelligence brought to data to transform data into actionable insights for industry and society. Big data analytics benefits organizations in many ways, driving competitiveness and innovation.

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: CYBER INTELLIGENCE REPORT

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

بیشتر بخوانید