Сочинение на тему Концепция, основы и проблемы когнитивных вычислений и кибербезопасности
- Опубликовано: 12.07.2020
- Предмет: жизнь, Информационная наука
- Темы: Cyber, герой, Кибер-безопасности, проблемы
Существует растущая проблема с быстрым увеличением объема данных, опытом кибератак и отсутствием опытных экспертов в области кибербезопасности. Нам нужен новый подход для борьбы с современными угрозами безопасности. Как мы решаем эти проблемы? Когнитивная вычисления импровизирует то же самое. Когнитивные вычисления на стыке машинного обучения, естественной обработки и больших данных, помогая разбивать как структурированные, так и неструктурированные данные.
Введение
Кибер относится к информации, технологиям, Интернету и виртуальной реальности. Кибербезопасность является полным пониманием о современной информационно-технологической и способе защиты и сохранении данных от угроз, таких как неправильное использование и сохранение системы. Увеличился объем и сложность, а не основная концепция защиты информации и шпионажа в промышленных и военных целях. Кибер-право имеет преимущество глобальной связи: все связано со всем. Но с людьми, связанными с такой широкой сетью, риск высок с цифровизацией данных. Существует большой рост хактивизма (использование компьютера для взлома политической активности), с большими валками кибер-преступности и зависимость от интернета с распространением устройств.
Киберугрозы подразделяются на шесть различных категорий, причем уровень угроз больше, чем в предыдущей категории. Первая угроза включает угрозу от автоматических атак, червей и вирусов. Во-вторых, из сценаристов (неквалифицированные лица, использующие сценарии или программы для атаки на системные сайты, созданные другими людьми). Далее я е. Третий уровень – это неквалифицированные злоумышленники. Четвертый уровень включает в себя кодеров и программистов. Пятый тип – высококвалифицированная и целенаправленная атака против компании или области. И наконец-то мы имеем атаки «нулевого дня». Они наносят огромный ущерб имуществу и жизни.
Каркас когнитивных вычислений и кибербезопасности
Определение
Когнитивные вычисления – это процесс сбора, интеграции и анализа больших и разнородных данных, генерируемых различными источниками в городских пространствах, такими как датчики, устройства, транспортные средства, здания и люди, для решения основных проблем, с которыми сталкиваются города третья эра вычислений.
Когнитивные вычисления, будучи адаптивными, интерактивными и основанными на состоянии, контекстуальными, позволяют технологиям глубже понять предметную область. Он объединяет технологии ненавязчивого и повсеместного зондирования, передовые модели управления данными и аналитические модели, а также новые методы визуализации для создания беспроигрышных решений, улучшающих окружающую среду, качество жизни людей и городские операционные системы. Когнитивный вычисления также помогает нам понять природу городских явлений и даже предсказывать будущее. Это междисциплинарная область, объединяющая область вычислительной науки с традиционными областями, такими как транспорт, гражданское строительство, экономика, экология и социология в контексте городских пространств.
Вычисления с улучшенной операцией SOC
Зрелая кибербезопасность полностью зависит от способности обнаруживать ошибки во время атаки. Затем две основные функции включают в себя первую функцию поддержки и функцию поддержки второго уровня при атаке и инцидентах. Но с ростом опыта систем и злоумышленников стоимость рабочей силы неизбежно возросла. Когнитивный вычисления может проглатывать данные автоматически, взвешивать, различать и анализирует огромное количество данных, как ожидается, будет главной особенностью угрозы. Простого алгоритма, написанного на компьютере лучше, чем предельная человеческая решимость и внимание, поскольку вычислительная мощность является мощной, достаточно, чтобы сразу проверить всю систему через тонкие аномалии и характер атаки. Благодаря автоматическому обнаружению угрозы система также может проверять облегчение конфигурации системы с помощью предложений по исправлению системы. Использование когнитивных вычислений SOC смогли сократить среднее время с часов до минут, определив основную причину. Преимущество этого включает в себя увеличение охвата организации, а также покрытие разницы в квалификации и таланте.
Вычисление с автоматизированной разведкой угрозы
Зависимость кибербезопасности от реактивных стратегий, т.е. е. Ответ угрозы дается, когда она проявляется. Когнитивные вычисления могут защитить систему, превратив свои навыки массивно распараллеленного анализа информации в обширные хранилища информации о кибербезопасности.
Приложения в когнитивных вычислениях, состоящие из больших данных
Для транспортных систем
Улучшение водительского опыта. Поиск маршрутов быстрой езды экономит как время водителя, так и потребление энергии, поскольку заторы на дорогах расходуют много газа. Были проведены интенсивные исследования для изучения исторических моделей движения, оценки транспортных потоков в режиме реального времени и прогнозирования будущих условий движения на отдельных участках дороги с точки зрения данных плавающего автомобиля, таких как траектории GPS транспортных средств, сигналы WiFi и GSM. Однако работа по моделированию общегородских моделей трафика все еще редка. Улучшение услуг такси. Такси являются важным средством передвижения между общественным и частным транспортом, обеспечивая почти сквозные транспортные услуги. В крупных городах, таких как Нью-Йорк и Пекин, люди обычно ждут нетривиального времени, прежде чем воспользоваться свободным такси, в то время как таксисты стремятся найти пассажиров. Эффективное соединение пассажиров с вакантными такси имеет большое значение для экономии времени ожидания людей, увеличения прибыли водителей такси и сокращения ненужного трафика и потребления энергии.
Улучшение систем общественного транспорта. Ожидается, что к 2050 году 70% населения мира будет проживать в городах. Муниципальные планировщики столкнутся со все более урбанизированным и загрязненным миром, причем города повсюду страдают от чрезмерно загруженной сети автомобильных перевозок. Таким образом, создание более эффективных систем общественного транспорта в качестве альтернативы личным транспортным средствам стало неотложным приоритетом как для обеспечения хорошего качества жизни и более чистой окружающей среды, так и для сохранения экономической привлекательности для потенциальных инвесторов и сотрудников. Системы общественного общественного транспорта в сочетании с интегрированным управлением тарифами и передовыми информационными системами для путешественников считаются ключевыми факторами, способствующими более эффективному управлению мобильностью.
Для окружающей среды
Без эффективного и адаптивного планирования быстрый прогресс урбанизации станет потенциальной угрозой для окружающей среды городов. В последнее время во всем мире мы наблюдаем растущую тенденцию загрязнения в различных аспектах окружающей среды, таких как качество воздуха, шум и мусор. Защита окружающей среды при модернизации жизни людей имеет первостепенное значение в городских вычислительных системах.
Городские вычисления для городского потребления энергии
Быстрый прогресс урбанизации потребляет все больше и больше энергии, требуя технологий, которые могут ощутить затраты на энергию в масштабах города, улучшить энергетическую инфраструктуру и, наконец, сократить потребление энергии.
Городские вычисления для экономики
Динамика города (например, мобильность людей и количество изменений в категории POI) может указывать на тенденцию развития экономики города. Например, количество кинотеатров в Пекине продолжало увеличиваться с 2008 по 2012 год, достигая 260. Это может означать, что все больше людей, живущих в Пекине, хотели бы посмотреть фильм в кинотеатре. Напротив, некоторая категория POI собирается исчезнуть в городе, что указывает на спад бизнеса. Кроме того, человеческая мобильность может означать, что уровень безработицы в некоторых крупных городах, поэтому помогает прогнозировать тенденции на фондовом рынке.
Городские вычисления для общественной безопасности
Крупные события, пандемии, тяжелые аварии, экологические катастрофы и террористические акты создают дополнительные угрозы для общественной безопасности и порядка. Широкая доступность различных видов городских данных дает нам возможность, с одной стороны, чтобы извлечь уроки из истории, как обрабатывать вышеупомянутые угрозы правильно, и, с другой стороны, чтобы обнаружить их своевременно или даже предсказать их заранее ,
Типичная технология
Методы управления городскими данными
Данные, генерируемые в городских пространствах, обычно связаны с пространственным или пространственно-временным свойством. Так, например, дорожные сети и объекты POI являются часто используются пространственные данные в городских пространствах; метеорологические данные, видео наблюдения, и потребление электроэнергии являются временными данные (также называемыми временными рядами, или потоком). Другие источники данных, такие как транспортные потоки и мобильность людей, одновременно обладают пространственно-временными свойствами. Иногда временные данные также могут быть связаны с местоположением, а затем становятся своего рода пространственно-временными данными (например, температура региона и потребление электроэнергии в здании). Следовательно, хорошие методы управления городскими данными должны иметь возможность эффективно работать с пространственными и пространственно-временными данными. Кроме того, городская вычислительная система обычно должна использовать различные гетерогенные данные. Во многих случаях эти системы необходимы для быстрого ответа на мгновенные запросы пользователей (например, прогнозирование условий движения и прогнозирование загрязнения воздуха). Без методов управления данными, которые могут организовать несколько разнородных источников данных, для следующего процесса интеллектуального анализа данных становится невозможным быстрое получение знаний из этих источников данных. Например, без эффективной структуры пространственно-временной индексации, которая заранее хорошо организует POI, дорожные сети, данные о дорожном движении и человеческой мобильности, процесс извлечения единственной функции проекта U-Air продлится несколько часов. Задержка не сможет это приложение рассказывать людям качество воздуха города каждый час.
Методы работы с разреженностью данных
Есть много причин, которые приводят к проблеме отсутствия данных. Например, пользователь будет регистрироваться только в нескольких местах в службе социальных сетей на основе местоположения, а в некоторых местах люди могут вообще их не посещать. Если мы поместим user-location в матрицу, где каждая запись обозначает количество посещений пользователями какого-либо места, матрица будет очень разреженной; то есть многие записи не имеют значения. Если мы дополнительно рассмотрим действия (такие как покупки, питание и спорт), которые пользователь может выполнять в каком-либо месте, в качестве третьего измерения, можно сформулировать тензор. Конечно, тензор даже скудный. Разреженность данных – это общая проблема, которая годами изучалась во многих вычислительных задачах.
Визуализация больших данных
Говоря о визуализации данных, многие думают только о (1) визуализации необработанных данных и (2) представлении результатов, полученных процессами интеллектуального анализа данных. Первый может выявить корреляцию между различными факторами, предлагая особенности для модели машинного обучения. Как упоминалось ранее, пространственно-временные данные широко используются в городских вычислениях. Для комплексного анализа, потребности данных следует рассматривать с двух дополнительных точек зрения: (1) в качестве пространственного распределения меняется с течением времени (.. Я е, пространства во времени) и (2) в виде профилей локального временного изменения распределенного по пространству. Однако визуализация данных – это не только отображение необработанных данных и представление результатов. Исследовательская визуализация становится еще более важной в городских вычислениях.
Обучение с полным контролем и трансферное обучение
<Р> Semi контролируемого обучением является классом курируемых учебных задач и методов, которые также предполагает использование немеченых данных для обучения – как правило, небольшого количества меченых данных с большим количеством немаркированных данных. Многие машины обучения исследователей обнаружили, что немаркированные данные, при использовании в сочетании с небольшим количеством меченых данных, могут привести к значительному улучшению обучения точности. Существует несколько методов обучения под непосредственным наблюдением, таких как генеративные модели, методы на основе графов и совместное обучение. В частности, совместное обучение представляет собой методику обучения с полууправлением, которая требует двух представлений данных. Предполагается, что каждый пример описывается двумя разными наборами функций, которые предоставляют разную и дополнительную информацию об экземпляре. В идеале, два набора признаков каждого экземпляра являются условно независимыми, учитывая класс, и класс экземпляра можно точно предсказать только из каждого представления. Совместное обучение может генерировать лучший результат вывода, поскольку один из классификаторов правильно помечает данные, которые другой классификатор ранее неправильно классифицировал.
Передача обучения. Основным допущением во многих алгоритмах машинного обучения и интеллектуального анализа данных является то, что обучающие и будущие данные должны находиться в одном и том же пространстве признаков и иметь одинаковое распределение. Однако во многих реальных приложениях это предположение может не выполняться. Например, у нас иногда есть задача классификации в одной интересующей области, но у нас достаточно обучающих данных только в другой интересующей области, где последние могут находиться в другом пространстве признаков или следовать другому распределению данных.
В отличие от обучения с использованием полуснадзора, при котором предполагается, что распределения помеченных и немаркированных данных одинаковы, трансферное обучение, напротив, позволяет различным областям, задачам и распределениям, используемым при обучении и тестировании. В реальном мире мы наблюдаем множество примеров обучения передачи. Например, научиться распознавать столы могут помочь распознать стулья.
Методы оптимизации
Во-первых, многие задачи извлечения данных могут быть решены с помощью методов оптимизации, таких как матричная факторизация и тензорная декомпозиция. Примеры включают местоположение – рекомендации по активности и исследование логики заправки. Во-вторых, процесс обучения многих моделей машинного обучения фактически основан на алгоритмах оптимизации и аппроксимации, например, максимальном правдоподобии, градиентном спуске и EM (оценка и максимизация). В-третьих, результаты исследования операций исследования могут быть применены к …
Уличные дети используют различные стратегии преодоления трудностей, с которыми они сталкиваются на улице. Они полагаются на усилия комбинации действий для выживания. Они используют свои различные
Кибербезопасность или защита информационных технологий – это методы защиты компьютеров, сетей, программ и данных от несанкционированного доступа или атак, направленных на эксплуатацию. Существует четыре типа
В качестве первостепенной важности любой нации в условиях управления психологическим боевиком, который удерживает заключенных для выполнения своих запросов в ходе процедуры транзакции, полагается на шутки