ارتقاء تکنیک های یادگیری ماشین با استفاده از سرویس MLaaS در رایانش ابری

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 550

This Paper With 7 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NSOECE05_117

تاریخ نمایه سازی: 10 تیر 1396

Abstract:

بهینه سازی کارآیی سیستم های تشخیص نفوذ که امروزه اصلی ترین عنصر زیرساخت امنیتی در سازمان ها می باشد چالشی انکار ناپذیر است. این سیستم ها شامل الگوهای سخت افزاری و نرم افزاری آلارم دهنده ویژه جهت خودکارسازی فرآیندهای تشخیص هستند که ضمن دارا بودن قابلیت انطباق با محیط و استفاده از تکنیکهای هوش مصنوعی به تقلید از روشهای یادگیری انسانها مانند تکرار و تجربه می پردازند. امروزه با پیشرفت و توسعه پردازش ابری فرصتی مناسب برای پیاده سازی یادگیری ماشین در ابر به وجود آمده درحالیکه در روشهای سنتی از پردازش های مرتبط با Big Data و موازی سازی، پشتیبانی خاصی به عمل نمی آمد. در این مقاله ضمن معرفی سرویسی به نام Machine Learning as a Service، به بررسی یک فرآیند یادگیری در ابر می پردازیم و در ادامه ضمن معرفی تکنیکی جهت بهینه سازی آن، به نقش MLaaS در تکنولوژی Internet Of Things اشاره خواهیم کرد.

Authors

مصطفی برومند زاده

مربی، عضو هیات علمی گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه پیام نور

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • J. Diaz-Montes, Y. Xie, I. Rodero, J. Zola, Ganap athy ...
  • N. Sharma, S. Mukherjee. A Novel Multi-Clas sifier Layered Approach ...
  • Cynthia Rudin, Kiri L. Wagstaff, Machine learning for science and ...
  • D. Wegener, M. Mock, D. Adranale, and S. Wrobel, "Toolkit-Based ...
  • Jaime G. Carbonell, Ryszard S. Michalski, Tom M. Mitchell, An ...
  • J. Diaz-Montes, M. Zou, R. Singh, S. Tao, and M. ...
  • H Nguyen, K Franke, S Petrovic Improving Effectiveness of Intrusion ...
  • S Chebrolu, A Abraham, J P. Thomas Feature deduction and ...
  • C. Ranger, R. Raghuraman, A. Penmetsa, G. Bradski, and C. ...
  • M. Mennes, B. _ Biswal, F. X. Castellanos, and M. ...
  • T. Sherif, P. Rioux, M.-E. Rousseau, N. Kassis, N. Beck, ...
  • D. Anderson, T. Frivold, and A. Valdes. Next- generation Intrusion ...
  • R.S. Snapp, J. Brentano, G. Dias, T. Goan L.T. Heberlein, ...
  • Nature Editorial, "Community Cleverness Required, " Nature, vol. 455, no. ...
  • S. Papadimitriou and J. Sun, SDisco: Distributed Co-Clustering with Map-Reduce: ...
  • Fabrizio S eb as tiani, Machine learning in automated text ...
  • David W. Aha, , Dennis Kibler, Marc K. _ ertIns ...
  • C. Wang, S.S.M. Chow, Q. Wang, K. Ren, and W. ...
  • X. Wu and X. Zhu, "Mining with Noise Knowledge: Error-Aware ...
  • S.J. Horng, M.Y. Su, " A novel intrusion detection system ...
  • Altwaijry, Hesham. "Bayesian based intrusion detection system." IAENG Transactions On ...
  • E. R. Sparks, A. Talwalkar, V. Smith, J. Kottalam, X. ...
  • Chou, T. S., Yen, K. K., & Luo, J. (2008). ...
  • X. Wu and S. Zhang, "Synthesizing Hi gh-Frequency Rules from ...
  • X. Wu, C. Zhang, and S. Zhang, "Database Classification for ...
  • T. F. Lunt, A. Tamaru, F. Gilham, R. Jagnnathan, C. ...
  • R.A. Poldrack, D. M. Barch, J. P. Mitchell, T. D. ...
  • J. Diaz-Montes, Y. Xie, I. Rodero, J. Zola, Ganap athy ...
  • A. D. Sarwate, S. M. Plis, J. A. Turner, M. ...
  • نمایش کامل مراجع