-极端模型用于预测网络流行病的早期发展
Viacheslav Kovtun1, Krzysztof Grochla2, Mohammed Al-Maitah3
1Computer Control Systems Department, Faculty of Intelligent Information Technologies and Automation, Vinnytsia National Technical University, Khmelnitske Shose str., 95, Vinnytsia 21000, Ukraine.
生物医学流行病分析方法可以预测网络流行病. 一个极端的机器学习模型用稀缺的数据预测网络流行病的发展,优于传统方法.
科学领域:
- 网络安全 网络安全
- 流行病学 流行病学
- 机器学习 机器学习
背景情况:
- 网络流行病与生物医学流行病具有共同的特征,包括指数增长和和动态.
- 传统的人工智能模型与早期网络流行病典型的稀缺,不完整和扭曲的数据作斗争.
研究的目的:
- 适应生物医学流行病分析方法,以预测网络流行病的发展.
- 提出一种新的机器学习模型,用于在数据限制下早期预测网络流行病.
主要方法:
- 在机器学习范式中开发了一个极端模型.
- 该模型估计可控制参数的概率分布及其可变性.
- 数字方法分析生成的过程轨迹,识别最不确定的路径.
主要成果:
- 极端模型预测了网络流行病的轨迹,包括基于平均值,中位数和标准偏差的路径.
- 对恶意软件感染数据的实验显示,与时间序列极端附近的最小平方方法相比,性能优越.
- 该模型在没有关于数据概率性质的先前假设的情况下运行.
结论:
- 极端模型提供了一个强大的方法来预测网络流行病的数据有限.
- 生物医学流行病分析原则可以有效地转移到网络安全领域.
- 这项研究推进了早期网络威胁检测和缓解策略.
更多相关视频
05:33A Model for Epilepsy of Infectious Etiology using Theiler's Murine Encephalomyelitis Virus
Published on: June 23, 2022
09:40Measuring Neural and Behavioral Activity During Ongoing Computerized Social Interactions: An Examination of Event-Related Brain Potentials
Published on: November 15, 2014
相关概念视频
Steps in Outbreak Investigation
Bullying
Mechanistic Models: Compartment Models in Individual and Population Analysis
Group Polarization
Censoring Survival Data
