在現場環境中實現量子安全數據中心互連
量子密鑰分發 (QKD) 技術在商業數據中心環境中的實際應用測試，展現了其確保數據中心間安全數據傳輸的可行性和可靠性。
현장 환경에서의 양자 보안 데이터 센터 상호 연결
본 논문에서는 기존의 공개 키 인프라를 위협하는 양자 컴퓨팅의 부상에 대한 해결책으로 높은 준비 수준의 양자 기술인 양자 키 분배(QKD)를 활용한 데이터 센터 상호 연결 보안 구현에 대한 현장 실증 결과를 제시합니다.
フィールド環境における量子セキュアデータセンター相互接続の実証実験
量子鍵配送(QKD)は、既存の光ファイバーネットワーク上に構築でき、商用データセンター環境においても安定した安全なデータ通信を実現できる可能性がある。
Quantum Key Distribution Field Trial for Secure Data Centre Interconnect
This article reports a successful field trial of a quantum key distribution (QKD) system, integrated with existing fiber optic infrastructure, to establish a secure data link between two commercial data centers.
자가 보관 및 영지식 검증 재발행을 통한 개인 전자 결제
본 논문에서는 발행자가 토큰 유통에 관여하지 않고도 소비자 개인정보보호와 규제 준수를 동시에 달성할 수 있는 전자 결제 시스템을 제안합니다. 영지식 증명과 감사 로그를 결합하여 자금의 이중 지출을 방지하는 동시에 개인 정보를 보호합니다.
基於自注意力機制的加權集成卷積神經網路框架，用於分散式阻斷服務攻擊分類
本研究提出了一種新穎的深度學習框架，用於偵測分散式阻斷服務 (DDoS) 攻擊，該框架結合了三種不同的卷積神經網路 (CNN) 架構，並採用自注意力機制和加權集成方法，以提高偵測 DDoS 攻擊的準確性和適應性。
自己管理とゼロ知識検証による再発行を備えたプライベート電子決済
本稿では、プライバシーを保護しながら、不正なトークン生成を防ぎ、効率的な電子決済システムを構築するためのプロトコルを提案しています。
자가 주의 기반 가중 앙상블 CNN 프레임워크를 활용한 DDoS 공격 탐지
본 논문에서는 다양한 규모의 특징 추출을 위해 세 가지 CNN 아키텍처(SA-Enabled CNN with XGBoost, SA-Enabled CNN with LSTM, SA-Enabled CNN with Random Forest)를 결합한 새로운 DDoS 공격 탐지 모델을 제안하며, 자가 주의 메커니즘을 통해 특징의 중요도를 학습하고 가중 앙상블을 통해 각 모델의 강점을 활용하여 DDoS 공격 탐지 성능을 향상시킵니다.
分散型サービス拒否攻撃の分類のための、新しいSelf-Attentionを用いた重み付けアンサンブルベースの畳み込みニューラルネットワークフレームワーク
本稿では、3つの異なるCNNアーキテクチャ（SA-Enabled CNN with XGBoost、SA-Enabled CNN with LSTM、SA-Enabled CNN with Random Forest）を組み合わせた、Self-Attentionを用いた重み付けアンサンブルベースの新しい畳み込みニューラルネットワークフレームワークを提案し、DDoS攻撃検知における従来手法の限界を克服することで、高い精度と信頼性を達成できることを示している。
A Deep Learning Approach to Detecting Distributed Denial of Service Attacks Using a Weighted Ensemble of Convolutional Neural Networks with Self-Attention and XGBoost, LSTM, and Random Forest Classifiers
This research paper proposes a novel deep learning model for detecting DDoS attacks that leverages a weighted ensemble of three CNN architectures enhanced with self-attention mechanisms and combined with XGBoost, LSTM, and Random Forest classifiers, demonstrating superior performance compared to traditional methods.
© 2024 by Linnk AI