.png){kind=icon}
返回
Rule-Based eXplainable Autoencoder for DNS Tunneling Detection
.png){kind=icon}
OA
AI
DOI：10.3390/computers14090375.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
人工智能（AI）和机器学习（ML）被应用于众多领域和应用中。尽管这些方法中的大多数表现优异，但它们受到“黑箱”问题的影响。它们运行和决策的方式复杂，难以被人类用户解释，使得系统在出现轻微（从人类视角看）错误时无法手动调整。在本文中，我们展示了如何将基于可解释人工智能（XAI）的“白箱”方法应用于域名系统（DNS）隧道检测问题这一网络安全问题，该问题已由“黑箱”方法成功解决，旨在使检测过程可解释。所获得的结果表明，所提出的解决方案能够实现与基于自动编码器的解决方案相当的性能，同时提供系统如何做出决策的清晰视图，并允许手动分析和调整。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.2
论文数:
1.4K
被引数:
3.3K
机构
引用论文
Born, K.; Gustafson, D. Detecting DNS tunnels using character frequency analysis. arXiv 2010, arXiv:1004.4358. [Google Scholar] [CrossRef]Born, K.; Gustafson, D. 使用字符频率分析检测DNS隧道。arXiv 2010, arXiv:1004.4358. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏Explainable Artificial Intelligence in CyberSecurity: A Survey网络安全中的可解释人工智能: 一项调查IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a Practical Point of View黑盒与白盒: 从实用的角度理解它们的优点和缺点IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏On the Intersection of Explainable and Reliable AI for Physical Fatigue PredictionIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容