Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Machine Learning Fingerprinting Methods in Cyber Security Domain: Which one to Use?

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14610%2F18%3A00106888" target="_blank" >RIV/00216224:14610/18:00106888 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://ieeexplore.ieee.org/abstract/document/8450406" target="_blank" >https://ieeexplore.ieee.org/abstract/document/8450406</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/IWCMC.2018.8450406" target="_blank" >10.1109/IWCMC.2018.8450406</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Machine Learning Fingerprinting Methods in Cyber Security Domain: Which one to Use?

  • Popis výsledku v původním jazyce

    Identification of a communicating device operating system is a fundamental part of network situational awareness. However, current networks are large and change often which implies the need for a system that will be able to continuously monitor the network and handle changes in identified operating systems. The aim of this paper is to compare machine learning methods performance for OS fingerprinting on real-world data in the terms of processing time, memory requirements, and performance measures of accuracy, precision, and recall.

  • Název v anglickém jazyce

    Machine Learning Fingerprinting Methods in Cyber Security Domain: Which one to Use?

  • Popis výsledku anglicky

    Identification of a communicating device operating system is a fundamental part of network situational awareness. However, current networks are large and change often which implies the need for a system that will be able to continuously monitor the network and handle changes in identified operating systems. The aim of this paper is to compare machine learning methods performance for OS fingerprinting on real-world data in the terms of processing time, memory requirements, and performance measures of accuracy, precision, and recall.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/VI20172020070" target="_blank" >VI20172020070: Výzkum nástrojů pro hodnocení kybernetické situace a podporu rozhodování CSIRT týmů při ochraně kritické infrastruktury</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Proceedings of the 14th International Wireless Communications and Mobile Computing Conference

  • ISBN

    9781538620700

  • ISSN

    2376-6492

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    542-547

  • Název nakladatele

    IEEE Xplore Digital Library

  • Místo vydání

    Limassol, Cyprus

  • Místo konání akce

    Limassol, Cyprus

  • Datum konání akce

    1. 1. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000447259500092