Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

Search research articles

相关实验视频

Updated: Mar 6, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

在检测尸网络攻击时应用表示学习.

¹Faculty of Information Technology, Van Hien University, Ho Chi Minh City, Vietnam. hieuln@vhu.edu.vn.

Scientific reports

|March 4, 2026

概括

此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same journal

Peripheral B-cell receptor repertoire predicts immune-related adverse events following immune checkpoint inhibitor therapy in advanced renal cell carcinoma.

Scientific reports·2026

Same journal

Effects of black soldier fly (Hermetia illucens L.) larvae zoocompost on the mineral element content of blue honeysuckle berries.

Scientific reports·2026

Same journal

Investigation on absorption refrigeration performance of R1243zf with imidazolium ionic liquid as the working pairs.

Scientific reports·2026

Same journal

DeepTriage-CN: integrating clinical text with vital signs for emergency department admission prediction in an aging population.

Scientific reports·2026

Same journal

Gold nanoparticles as dual-action antiviral agents: disruption of SARS-CoV-2 viral envelopes and RNA integrity.

Scientific reports·2026

Same journal

Comparison of capillary microsampling and venous blood for multi-pathogen serosurveillance.

Scientific reports·2026

查看所有相关文章

这项研究介绍了强大的尸网络检测的先进框架,利用新的功能工程和表示学习. 该方法有效地识别出看不见的尸网络威胁,准确度高,改善网络安全防御.

科学领域:

网络安全网络安全
机器学习机器学习
网络安全网络安全

背景情况:

尸网络检测是一个持续的网络安全挑战.
传统的方法由于不良的概括,与新的威胁作斗争.
现有的方法往往是反应性的,并受到手动特性工程的限制.

研究的目的:

为增强尸网络检测开发一个强大的框架.
克服传统方法的局限性,特别是对未见的威胁的概括性.
提高入侵检测系统的适应性和弹性.

主要方法:

实施了先进的功能工程,包括IP地址的八位数分割.
利用希尔伯特空间填充曲线将网络流体表示学习转化为2D图像.
用SMOTE,加权采样器和焦点损失解决了类不平衡.

主要成果:

在未见的尸网络数据上获得了98.34%的准确性和98.38%的加权F1分数.
与传统模型相比,展示了优越的概括能力.
在跨场景验证中成功检测到新的尸网络家族.

结论:

关键词:

异常检测检测异常检测机器人网络机器人网络机器人网络网络安全网络安全深度学习是一种深度学习.网络流量分析网络流量分析代表性的学习学习.

相关实验视频

Last Updated: Mar 6, 2026

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images

Published on: October 27, 2023

拟议的框架大大提高了尸网络检测的准确性和通用性.
学习,空间意识的表征在检测新威胁方面胜过传统模型.
这项工作推动了适应性和弹性入侵检测系统的发展.