.png){kind=icon}
返回
AI-driven big data visualization for cybersecurity using bipolar fuzzy Einstein prioritized operators
.png){kind=icon}
PRE
AI
DOI：10.24425/acs.2026.158421.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着网络攻击变得越来越高级，基于高级人工智能的大数据可视化现在对于有效的威胁检测至关重要。然而，选择最佳可视化工具是一项涉及考虑许多包含正面和负面方面的标准的多种标准决策（MCDM）任务。尽管解决人工智能驱动的大数据可视化工具选择和分类的MCDM方法侧重于评价标准的正面方面，而忽略了标准的负面方面，导致评价不完整。此外，虽然爱因斯坦算子在不确定和模糊的情况下以及MCDM方法中显示出显著效果，但它们尚未用于双极模糊框架中，这给决策方法留下了重大差距。为了解决这些问题，本文提出了一种基于爱因斯坦优先算子的双极模糊MCDM方法，以系统性地评价和分类用于网络安全威胁检测的人工智能驱动的大数据可视化工具。为此方法，本文设计了一个双极模糊框架中的爱因斯坦优先算子，可以聚合标准的正面和负面方面。一个全面的案例研究展示了如何评估和分类用于网络安全威胁检测的突出人工智能驱动的大数据可视化工具，同时考虑具有双重方面的关键标准。所提出的方法与现有的MCDM方法进行了细致比较，以验证其在处理不确定性和标准的双极性方面的优越性。本文帮助安全专业人员选择合适的AI可视化工具，进而提高其组织的网络安全水平，并使威胁检测更加容易。
Keyword:
optimization models
control problem
efficient solution
期刊
A
IF:
1.1
论文数:
10
被引数:
294
机构
引用论文
暂无论文信息