Please enable JavaScript.

Coggle requires JavaScript to display documents.

Deteksi Cyber Attack Database, Tujuan Penelitian, Inti dari literatur dan…

- - - - Pemanfaatan DL untuk Klasifikasi Cyber Attack
        
        CNNs dalam Cybersecurity
        
        Model pembelajaran mendalam, terutama CNN, telah terbukti efektif dalam menganalisis volume kode besar dan mengidentifikasi pola yang tidak dapat dideteksi oleh manusia.
        
        CNN dirancang untuk mengenali pola dalam data seperti kisi, seperti gambar atau matriks fitur, sehingga cocok untuk data log yang divisualisasikan.
        
        Arsitektur CNN mencakup lapisan konvolusional, penggabungan, dan terhubung penuh, yang memungkinkan ekstraksi fitur dan klasifikasi yang efisien.
    - - Menganalisis dan membandingkan akurasi dan efisiensi klasifikasi model CNN
    - - Mengadopsi pendekatan sistematis yang melibatkan pengumpulan data, pelatihan model, dan validasi.
    - - Tantangan utamanya bukan hanya mendeteksi anomali tetapi juga mengklasifikasikan jenis serangan tertentu secara cepat dan akurat.
      - Taksonomi yang komprehensif, seperti AVOIDITALS, mengkategorikan serangan berdasarkan dampak operasional dan informasi, termasuk Serangan Injeksi, Serangan Autentikasi, dan Serangan Ketersediaan.
      - Studi yang ada sering kali membahas jenis serangan ini secara terpisah, yang menyoroti perlunya model deteksi yang terpadu.
- - - - Tinjauan CNN sebelumnya untuk deteksi kerentanan.
    - - Menangani keterbatasan yang ditemukan dalam penelitian sebelumnya untuk meningkatkan upaya penelitian di masa mendatang.
    - - Mengusulkan metode baru yang mengintegrasikan teknik analisis data visual untuk deteksi yang lebih baik.
- - - - Memajukan pengetahuan dalam bidang AI dan keamanan siber melalui pengembangan solusi inovatif.
    - - Menyediakan alat untuk deteksi dini kerentanan guna mengurangi risiko siber.
    - - Meminimalkan kerugian ekonomi akibat insiden siber melalui metode deteksi yang efisien