連鎖店、便利商店和大賣場必買資訊站論文書籍站
f-secure online scan的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單
國立臺灣科技大學 資訊管理系 吳宗成所指導 楊明軒的 應用於分散式工控系統之異常控制行為偵測 （2019），提出f-secure online scan關鍵因素是什麼，來自於工業控制系統、資料採集與監控系統、分散式控制系統、異常偵測。
而第二篇論文國立成功大學 電腦與通信工程研究所 李忠憲所指導 劉大哲的 基於文本處理結合有效特徵選擇之惡意程式分類方法 （2018），提出因為有 動態分析、惡意程式分類、機器學習、深度學習、特徵選擇的重點而找出了 f-secure online scan的解答。
應用於分散式工控系統之異常控制行為偵測
為了解決f-secure online scan 的問題，作者楊明軒 這樣論述：
隨著資訊化和工業化的發展，許多工廠逐漸開始加入IT系統，便利化的同時也增加了被攻擊的風險。如果工業控制系統遭受破壞，則可能會造成財產損失甚至影響到人身安全，為了不影響工業控制系統的可用性和即時性的需求，異常偵測是常用的資安防護方式。本論文提出透過深度剖析工控網路的每種長度封包的位置變化數值，來偵測異常控制的方法。本方法可以在不了解工業控制協定的基礎上，去檢測是否存在異常控制行為。本方法的優點有下列幾點：(1) 能夠在不影響工廠運作的可用性和即時性的前提下，辨識發生異常控制的設備。(2) 可以偵測外部攻擊者或內賊的惡意控制行為。(3) 可以偵測未知工控協定的封包格式架構是否異
常本論文研究的結果將改善未知工業控制協定的異常控制行為偵測的方法。
基於文本處理結合有效特徵選擇之惡意程式分類方法
為了解決f-secure online scan 的問題，作者劉大哲 這樣論述：
由於電腦和網路的發展快速，人們在使用網路所帶來的便利時，也使得資訊科技犯罪的快速崛起。傳統上面對惡意程式是使用特徵資料庫來進行特徵馬比對來識別惡意程式種類，或著透過專家的經驗人為分析。然而面對越來越多變的惡意程式，使用傳統資料庫比對的方法可能會因為惡意程式做了加殼等等的動作而使特徵碼分析失去準確性，也因為惡意程式數量呈指數級增長的原因，導致特徵資料庫越來越大。綜合以上兩種主因造成傳統資料庫比對方法已無法有效且有效率的對惡意程式進行分類，因此各學者開始研究如何藉由機器學習與深度學習等方法來解決此問題。本論文以國家高速網路與計算中心提供大量的惡意程式分析報告來進行研究，將報告中的函式呼叫透過自動
化程式將其取出並生成文檔，搭配自然語言處理中用來處理文本資料的演算法n-gram及詞頻-逆文件頻率將這些取出的文字量化，並轉換為具有意義的數字，最後藉由特徵選擇消除冗餘特徵減少訓練時間成本。在實驗結果中，我們比較了詞頻-逆文件頻率使用前後的準確率變化及經特徵選擇後的特徵子集與原始特徵間的效能差異；結果顯示本研究提出之方法能取得87.08%準確率，並節省87.97%訓練時間，且最後於相關研究中能取得較佳的表現。