Datenschutzfreundliche Erkennung von Cyber-Bedrohungen durch Föderiertes Lernen
Föderiertes Lernen kann Cyber-Bedrohungserkennungsmodelle mit vergleichbarer Leistung wie zentral trainierte Modelle erzielen, ist widerstandsfähig gegen Vergiftungsangriffe und kann durch eine Bootstrapping-Strategie effizient sein.
Datengesteuerte prädiktive Analyse von Cyber-Sicherheitsbedrohungen mit Schlüsselrisikofaktoren
Durch Analyse sozioökonomischer Faktoren lässt sich vorhersagen, wer Opfer von Cyber-Angriffen werden könnte.
Erkennung unbeaufsichtigter Angriffsverhaltensmuster in Honeypot-Daten mithilfe verschachtelter Dirichlet-Modelle
Dirichlet-Verteilungsmodelle für Themen werden verwendet, um Angriffsverhaltensmuster in Honeypot-Daten unbeaufsichtigt zu erkennen und zu clustern.
Strategische Cyber-Kriegsführung: Symbiose von spieltheoretischen Modellen und Grundlagenmodellen für Cyber-Täuschungsoperationen
Spieltheoretische Modelle und Grundlagenmodelle (Foundation Models) spielen eine entscheidende Rolle bei der Analyse, Gestaltung und Umsetzung von Cyber-Täuschungstaktiken als kritische Komponente der Verteidigungsstrategie gegen zunehmend ausgeklügelte Angriffe.
© 2024 by Linnk AI