Glębokie uczenie federacyjne na potrzeby inteligentnego wykrywania atak�w DDoS

Szybki rozwój technologii przetwarzania w chmurze typu "fog" i na brzegach sieci (fog-edge) przyniós¿ ze sob¿ nowe wyzwania w zakresie cyberbezpiecze¿stwa, a zw¿aszcza rosn¿ce zagro¿enie atakami typu Distributed Denial-of-Service (DDoS). Tradycyjne systemy wykrywania w¿amä cz¿sto maj¿ trudno¿ci z zapewnieniem dok¿adnych, skalowalnych i chroni¿cych prywatno¿¿ rozwi¿zä w ¿rodowiskach zdecentralizowanych. Niniejsza ksi¿¿ka przedstawia framework g¿¿bokiego uczenia federacyjnego, który umo¿liwia wspólne szkolenie modeli bez udost¿pniania wräliwych danych, zapewniaj¿c zwi¿kszon¿ prywatno¿¿ i niezawodne wykrywanie zagro¿e¿. Analizuje ona integracj¿ technik g¿¿bokiego uczenia z uczeniem federacyjnym w celu skutecznego identyfikowania ataków DDoS w rozproszonych sieciach typu fog-edge. Proponowana struktura k¿adzie nacisk na inteligentne wykrywanie w¿amä, zwi¿kszon¿ dok¿adno¿¿ wykrywania, zmniejszone obci¿¿enie komunikacyjne oraz bezpieczne uczenie rozproszone. Ksi¿¿ka ta jest przeznaczona dla naukowców, doktorantów, specjalistów ds. cyberbezpiecze¿stwa oraz praktyków zainteresowanych sztuczn¿ inteligencj¿, bezpiecze¿stwem sieci, uczeniem federacyjnym oraz przetwarzaniem w chmurze typu fog-edge, dostarczaj¿c cennych spostrze¿e¿ na temat rozwi¿zä cyberbezpiecze¿stwa nowej generacji opartych na sztucznej inteligencji.