ਇਸ ਨੂੰ ਡੀਕ੍ਰਿਪਟ ਕੀਤੇ ਬਿਨਾਂ ਐਨਕ੍ਰਿਪਟ ਕੀਤੇ ਟ੍ਰੈਫਿਕ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਟ੍ਰੈਫਿਕ ਨੂੰ ਡੀਕ੍ਰਿਪਟ ਕੀਤੇ ਬਿਨਾਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਇੱਕ ਸਿਸਟਮ। ਇਸ ਵਿਧੀ ਨੂੰ ਸਿਰਫ਼ "ਮਸ਼ੀਨ ਲਰਨਿੰਗ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਪਤਾ ਚਲਿਆ ਕਿ ਜੇ ਵੱਖ-ਵੱਖ ਟ੍ਰੈਫਿਕ ਦੀ ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਮਾਤਰਾ ਨੂੰ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਵਰਗੀਕਰਣ ਦੇ ਇਨਪੁਟ ਲਈ ਫੀਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਬਹੁਤ ਉੱਚ ਪੱਧਰੀ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ ਏਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਦੇ ਅੰਦਰ ਖਤਰਨਾਕ ਕੋਡ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ।

ਔਨਲਾਈਨ ਧਮਕੀਆਂ ਬਦਲ ਗਈਆਂ ਹਨ ਅਤੇ ਚੁਸਤ ਹੋ ਗਈਆਂ ਹਨ। ਹਾਲ ਹੀ ਵਿੱਚ, ਹਮਲੇ ਅਤੇ ਬਚਾਅ ਦੀ ਧਾਰਨਾ ਬਦਲ ਗਈ ਹੈ. ਨੈੱਟਵਰਕ 'ਤੇ ਇਵੈਂਟਸ ਦੀ ਗਿਣਤੀ ਕਾਫੀ ਵਧ ਗਈ ਹੈ। ਹਮਲੇ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਹੋ ਗਏ ਹਨ ਅਤੇ ਹੈਕਰਾਂ ਦੀ ਪਹੁੰਚ ਵਧੇਰੇ ਹੈ।

ਸਿਸਕੋ ਦੇ ਅੰਕੜਿਆਂ ਦੇ ਅਨੁਸਾਰ, ਪਿਛਲੇ ਸਾਲ ਵਿੱਚ, ਹਮਲਾਵਰਾਂ ਨੇ ਮਾਲਵੇਅਰ ਦੀ ਸੰਖਿਆ ਨੂੰ ਤਿੰਨ ਗੁਣਾ ਕਰ ਦਿੱਤਾ ਹੈ ਜੋ ਉਹ ਆਪਣੀਆਂ ਗਤੀਵਿਧੀਆਂ ਲਈ ਵਰਤਦੇ ਹਨ, ਜਾਂ ਇਸ ਦੀ ਬਜਾਏ, ਉਹਨਾਂ ਨੂੰ ਛੁਪਾਉਣ ਲਈ ਐਨਕ੍ਰਿਪਸ਼ਨ. ਇਹ ਸਿਧਾਂਤ ਤੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ ਕਿ "ਸਹੀ" ਐਨਕ੍ਰਿਪਸ਼ਨ ਐਲਗੋਰਿਦਮ ਨੂੰ ਤੋੜਿਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਏਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਦੇ ਅੰਦਰ ਕੀ ਲੁਕਿਆ ਹੋਇਆ ਹੈ, ਜਾਂ ਤਾਂ ਇਸਨੂੰ ਕੁੰਜੀ ਨੂੰ ਜਾਣਦੇ ਹੋਏ ਡੀਕ੍ਰਿਪਟ ਕਰਨਾ, ਜਾਂ ਵੱਖ-ਵੱਖ ਚਾਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਜਾਂ ਸਿੱਧੇ ਹੈਕਿੰਗ, ਜਾਂ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫਿਕ ਪ੍ਰੋਟੋਕੋਲ ਵਿੱਚ ਕਿਸੇ ਕਿਸਮ ਦੀਆਂ ਕਮਜ਼ੋਰੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸਨੂੰ ਡੀਕ੍ਰਿਪਟ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ।

ਸਾਡੇ ਸਮੇਂ ਦੇ ਨੈਟਵਰਕ ਦੀਆਂ ਧਮਕੀਆਂ ਦੀ ਤਸਵੀਰ

ਮਸ਼ੀਨ ਸਿਖਲਾਈ

ਵਿਅਕਤੀਗਤ ਤੌਰ 'ਤੇ ਤਕਨਾਲੋਜੀ ਨੂੰ ਜਾਣੋ! ਇਸ ਬਾਰੇ ਗੱਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਮਸ਼ੀਨ ਲਰਨਿੰਗ-ਅਧਾਰਿਤ ਡੀਕ੍ਰਿਪਸ਼ਨ ਤਕਨਾਲੋਜੀ ਆਪਣੇ ਆਪ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਹ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਹੈ ਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਤਕਨਾਲੋਜੀ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ।

ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦਾ ਇੱਕ ਵਿਸ਼ਾਲ ਉਪ-ਸੈਕਸ਼ਨ ਹੈ ਜੋ ਐਲਗੋਰਿਦਮ ਬਣਾਉਣ ਦੇ ਢੰਗਾਂ ਦਾ ਅਧਿਐਨ ਕਰਦਾ ਹੈ ਜੋ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਇਸ ਵਿਗਿਆਨ ਦਾ ਉਦੇਸ਼ ਕੰਪਿਊਟਰ ਨੂੰ "ਸਿਖਲਾਈ" ਦੇਣ ਲਈ ਗਣਿਤ ਦੇ ਮਾਡਲ ਬਣਾਉਣਾ ਹੈ। ਸਿੱਖਣ ਦਾ ਉਦੇਸ਼ ਕਿਸੇ ਚੀਜ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਹੈ। ਮਨੁੱਖੀ ਸਮਝ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸ਼ਬਦ ਕਹਿੰਦੇ ਹਾਂ "ਸਿਆਣਪ". ਸਿਆਣਪ ਉਹਨਾਂ ਲੋਕਾਂ ਵਿੱਚ ਪ੍ਰਗਟ ਹੁੰਦੀ ਹੈ ਜੋ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਜੀਉਂਦੇ ਹਨ (ਇੱਕ 2 ਸਾਲ ਦਾ ਬੱਚਾ ਬੁੱਧੀਮਾਨ ਨਹੀਂ ਹੋ ਸਕਦਾ)। ਜਦੋਂ ਸਲਾਹ ਲਈ ਸੀਨੀਅਰ ਕਾਮਰੇਡਾਂ ਵੱਲ ਮੁੜਦੇ ਹਾਂ, ਤਾਂ ਅਸੀਂ ਉਹਨਾਂ ਨੂੰ ਘਟਨਾ (ਇਨਪੁਟ ਡੇਟਾ) ਬਾਰੇ ਕੁਝ ਜਾਣਕਾਰੀ ਦਿੰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਤੋਂ ਮਦਦ ਮੰਗਦੇ ਹਾਂ। ਉਹ, ਬਦਲੇ ਵਿੱਚ, ਜੀਵਨ ਦੀਆਂ ਸਾਰੀਆਂ ਸਥਿਤੀਆਂ ਨੂੰ ਯਾਦ ਰੱਖਦੇ ਹਨ ਜੋ ਕਿਸੇ ਤਰ੍ਹਾਂ ਤੁਹਾਡੀ ਸਮੱਸਿਆ (ਗਿਆਨ ਅਧਾਰ) ਨਾਲ ਸਬੰਧਤ ਹਨ ਅਤੇ, ਇਸ ਗਿਆਨ (ਡੇਟਾ) ਦੇ ਅਧਾਰ ਤੇ, ਸਾਨੂੰ ਇੱਕ ਕਿਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ (ਸਲਾਹ) ਦਿੰਦੇ ਹਨ। ਇਸ ਕਿਸਮ ਦੀ ਸਲਾਹ ਨੂੰ ਪੂਰਵ-ਅਨੁਮਾਨ ਕਿਹਾ ਜਾਣ ਲੱਗਾ ਕਿਉਂਕਿ ਸਲਾਹ ਦੇਣ ਵਾਲੇ ਵਿਅਕਤੀ ਨੂੰ ਪੱਕਾ ਪਤਾ ਨਹੀਂ ਹੁੰਦਾ ਕਿ ਕੀ ਹੋਵੇਗਾ, ਪਰ ਸਿਰਫ਼ ਅੰਦਾਜ਼ਾ ਹੈ। ਜ਼ਿੰਦਗੀ ਦਾ ਤਜਰਬਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕੋਈ ਵਿਅਕਤੀ ਸਹੀ ਹੋ ਸਕਦਾ ਹੈ, ਜਾਂ ਉਹ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ।

ਤੁਹਾਨੂੰ ਬ੍ਰਾਂਚਿੰਗ ਐਲਗੋਰਿਦਮ (ਜੇ-ਹੋਰ) ਨਾਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਤੁਲਨਾ ਨਹੀਂ ਕਰਨੀ ਚਾਹੀਦੀ। ਇਹ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਹਨ ਅਤੇ ਮੁੱਖ ਅੰਤਰ ਹਨ। ਬ੍ਰਾਂਚਿੰਗ ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਇੱਕ ਸਪਸ਼ਟ "ਸਮਝ" ਹੈ ਕਿ ਕੀ ਕਰਨਾ ਹੈ। ਮੈਂ ਉਦਾਹਰਣਾਂ ਦੇ ਨਾਲ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਾਂਗਾ।

ਟਾਸਕ। ਇੱਕ ਕਾਰ ਦੀ ਬ੍ਰੇਕਿੰਗ ਦੂਰੀ ਇਸਦੇ ਨਿਰਮਾਣ ਅਤੇ ਨਿਰਮਾਣ ਦੇ ਸਾਲ ਦੇ ਅਧਾਰ ਤੇ ਨਿਰਧਾਰਤ ਕਰੋ।

ਬ੍ਰਾਂਚਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਇੱਕ ਉਦਾਹਰਨ। ਜੇਕਰ ਇੱਕ ਕਾਰ ਬ੍ਰਾਂਡ 1 ਹੈ ਅਤੇ 2012 ਵਿੱਚ ਰਿਲੀਜ਼ ਕੀਤੀ ਗਈ ਸੀ, ਤਾਂ ਉਸਦੀ ਬ੍ਰੇਕਿੰਗ ਦੂਰੀ 10 ਮੀਟਰ ਹੈ, ਨਹੀਂ ਤਾਂ, ਜੇਕਰ ਕਾਰ ਬ੍ਰਾਂਡ 2 ਹੈ ਅਤੇ 2011 ਵਿੱਚ ਰਿਲੀਜ਼ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਹੀ।

ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀ ਇੱਕ ਉਦਾਹਰਨ. ਅਸੀਂ ਪਿਛਲੇ 20 ਸਾਲਾਂ ਵਿੱਚ ਕਾਰ ਦੀ ਬ੍ਰੇਕਿੰਗ ਦੂਰੀਆਂ 'ਤੇ ਡਾਟਾ ਇਕੱਠਾ ਕਰਦੇ ਹਾਂ। ਮੇਕ ਅਤੇ ਸਾਲ ਦੁਆਰਾ, ਅਸੀਂ ਫਾਰਮ ਦੀ ਇੱਕ ਸਾਰਣੀ ਨੂੰ ਕੰਪਾਇਲ ਕਰਦੇ ਹਾਂ "ਨਿਰਮਾਣ-ਬ੍ਰੇਕਿੰਗ ਦੂਰੀ ਦਾ ਮੇਕ-ਸਾਲ"। ਅਸੀਂ ਇਸ ਸਾਰਣੀ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਜਾਰੀ ਕਰਦੇ ਹਾਂ ਅਤੇ ਇਸਨੂੰ ਸਿਖਾਉਣਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਾਂ. ਸਿਖਲਾਈ ਇਸ ਤਰ੍ਹਾਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ: ਅਸੀਂ ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਡੇਟਾ ਫੀਡ ਕਰਦੇ ਹਾਂ, ਪਰ ਬ੍ਰੇਕਿੰਗ ਮਾਰਗ ਤੋਂ ਬਿਨਾਂ। ਨਿਊਰੋਨ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਵਿੱਚ ਲੋਡ ਕੀਤੀ ਗਈ ਟੇਬਲ ਦੇ ਅਧਾਰ 'ਤੇ ਬ੍ਰੇਕਿੰਗ ਦੂਰੀ ਕੀ ਹੋਵੇਗੀ। ਕਿਸੇ ਚੀਜ਼ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਅਤੇ ਉਪਭੋਗਤਾ ਨੂੰ ਪੁੱਛਦਾ ਹੈ "ਕੀ ਮੈਂ ਸਹੀ ਹਾਂ?" ਸਵਾਲ ਤੋਂ ਪਹਿਲਾਂ, ਉਹ ਇੱਕ ਚੌਥਾ ਕਾਲਮ, ਅਨੁਮਾਨ ਲਗਾਉਣ ਵਾਲਾ ਕਾਲਮ ਬਣਾਉਂਦੀ ਹੈ। ਜੇਕਰ ਉਹ ਸਹੀ ਹੈ, ਤਾਂ ਉਹ ਚੌਥੇ ਕਾਲਮ ਵਿੱਚ 1 ਲਿਖਦੀ ਹੈ; ਜੇਕਰ ਉਹ ਗਲਤ ਹੈ, ਤਾਂ ਉਹ 0 ਲਿਖਦੀ ਹੈ। ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਗਲੀ ਘਟਨਾ 'ਤੇ ਅੱਗੇ ਵਧਦਾ ਹੈ (ਭਾਵੇਂ ਇਸ ਨੇ ਗਲਤੀ ਕੀਤੀ ਹੋਵੇ)। ਇਸ ਤਰ੍ਹਾਂ ਨੈਟਵਰਕ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਜਦੋਂ ਸਿਖਲਾਈ ਪੂਰੀ ਹੋ ਜਾਂਦੀ ਹੈ (ਇੱਕ ਨਿਸ਼ਚਿਤ ਕਨਵਰਜੈਂਸ ਮਾਪਦੰਡ 'ਤੇ ਪਹੁੰਚ ਗਿਆ ਹੈ), ਅਸੀਂ ਉਸ ਕਾਰ ਬਾਰੇ ਡੇਟਾ ਜਮ੍ਹਾਂ ਕਰਦੇ ਹਾਂ ਜਿਸ ਵਿੱਚ ਸਾਡੀ ਦਿਲਚਸਪੀ ਹੈ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਜਵਾਬ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ।

ਕਨਵਰਜੈਂਸ ਮਾਪਦੰਡ ਬਾਰੇ ਸਵਾਲ ਨੂੰ ਹਟਾਉਣ ਲਈ, ਮੈਂ ਸਮਝਾਵਾਂਗਾ ਕਿ ਇਹ ਅੰਕੜਿਆਂ ਲਈ ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਲਿਆ ਗਿਆ ਫਾਰਮੂਲਾ ਹੈ। ਦੋ ਵੱਖ-ਵੱਖ ਕਨਵਰਜੈਂਸ ਫਾਰਮੂਲੇ ਦੀ ਇੱਕ ਸ਼ਾਨਦਾਰ ਉਦਾਹਰਨ। ਲਾਲ - ਬਾਈਨਰੀ ਕਨਵਰਜੈਂਸ, ਨੀਲਾ - ਆਮ ਕਨਵਰਜੈਂਸ।

ਬਾਇਨੋਮੀਅਲ ਅਤੇ ਆਮ ਸੰਭਾਵਨਾ ਵੰਡ

ਇਸ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਨ ਲਈ, ਸਵਾਲ ਪੁੱਛੋ "ਡਾਇਨਾਸੌਰ ਦੇ ਮਿਲਣ ਦੀ ਸੰਭਾਵਨਾ ਕੀ ਹੈ?" ਇੱਥੇ 2 ਸੰਭਵ ਜਵਾਬ ਹਨ। ਵਿਕਲਪ 1 - ਬਹੁਤ ਛੋਟਾ (ਨੀਲਾ ਗ੍ਰਾਫ)। ਵਿਕਲਪ 2 - ਜਾਂ ਤਾਂ ਮੀਟਿੰਗ ਜਾਂ ਨਾ (ਲਾਲ ਗ੍ਰਾਫ)।

ਬੇਸ਼ੱਕ, ਇੱਕ ਕੰਪਿਊਟਰ ਇੱਕ ਵਿਅਕਤੀ ਨਹੀਂ ਹੈ ਅਤੇ ਇਹ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਸਿੱਖਦਾ ਹੈ. ਲੋਹੇ ਦੇ ਘੋੜੇ ਦੀ ਸਿਖਲਾਈ ਦੀਆਂ 2 ਕਿਸਮਾਂ ਹਨ: ਕੇਸ-ਅਧਾਰਿਤ ਸਿਖਲਾਈ и ਕਟੌਤੀਯੋਗ ਸਿੱਖਿਆ.

ਉਦਾਹਰਣ ਦੁਆਰਾ ਸਿਖਾਉਣਾ ਗਣਿਤ ਦੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਾਉਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਹੈ। ਗਣਿਤ ਵਿਗਿਆਨੀ ਅੰਕੜੇ ਟੇਬਲ ਇਕੱਠੇ ਕਰਦੇ ਹਨ, ਸਿੱਟੇ ਕੱਢਦੇ ਹਨ ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਲੋਡ ਕਰਦੇ ਹਨ - ਗਣਨਾ ਲਈ ਇੱਕ ਫਾਰਮੂਲਾ।

ਡਿਡਕਟਿਵ ਲਰਨਿੰਗ - ਸਿੱਖਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਿਊਰੋਨ ਵਿੱਚ ਹੁੰਦੀ ਹੈ (ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਇਸਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤੱਕ)। ਇੱਥੇ ਇੱਕ ਸਾਰਣੀ ਇੱਕ ਫਾਰਮੂਲੇ ਦੇ ਬਿਨਾਂ ਬਣਾਈ ਗਈ ਹੈ, ਪਰ ਅੰਕੜਿਆਂ ਨਾਲ।

ਤਕਨਾਲੋਜੀ ਦੀ ਇੱਕ ਵਿਆਪਕ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਦਰਜਨ ਦੇ ਇੱਕ ਹੋਰ ਲੇਖ ਲਵੇਗੀ. ਫਿਲਹਾਲ, ਸਾਡੀ ਆਮ ਸਮਝ ਲਈ ਇਹ ਕਾਫੀ ਹੋਵੇਗਾ।

ਨਿਊਰੋਪਲਾਸਟੀਟੀ

ਜੀਵ-ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਅਜਿਹੀ ਧਾਰਨਾ ਹੈ - ਨਿਊਰੋਪਲਾਸਟੀਟੀ. ਨਿਊਰੋਪਲਾਸਟੀਟੀ ਨਿਊਰੋਨਸ (ਦਿਮਾਗ ਦੇ ਸੈੱਲਾਂ) ਦੀ "ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ" ਕੰਮ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਵਿਅਕਤੀ ਜਿਸ ਨੇ ਆਪਣੀ ਨਜ਼ਰ ਗੁਆ ਦਿੱਤੀ ਹੈ, ਉਹ ਆਵਾਜ਼ਾਂ, ਗੰਧ ਅਤੇ ਚੀਜ਼ਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਸੁਣਦਾ ਹੈ। ਇਹ ਇਸ ਤੱਥ ਦੇ ਕਾਰਨ ਵਾਪਰਦਾ ਹੈ ਕਿ ਦਿਮਾਗ ਦਾ ਹਿੱਸਾ (ਨਿਊਰੋਨਸ ਦਾ ਹਿੱਸਾ) ਦ੍ਰਿਸ਼ਟੀ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਇਸਦੇ ਕੰਮ ਨੂੰ ਹੋਰ ਕਾਰਜਸ਼ੀਲਤਾ ਵਿੱਚ ਮੁੜ ਵੰਡਦਾ ਹੈ।

ਜੀਵਨ ਵਿੱਚ ਨਿਊਰੋਪਲਾਸਟੀਟੀ ਦੀ ਇੱਕ ਸ਼ਾਨਦਾਰ ਉਦਾਹਰਣ ਬ੍ਰੇਨਪੋਰਟ ਲਾਲੀਪੌਪ ਹੈ।

2009 ਵਿੱਚ, ਮੈਡੀਸਨ ਵਿਖੇ ਵਿਸਕਾਨਸਿਨ ਯੂਨੀਵਰਸਿਟੀ ਨੇ ਇੱਕ ਨਵੇਂ ਯੰਤਰ ਨੂੰ ਜਾਰੀ ਕਰਨ ਦੀ ਘੋਸ਼ਣਾ ਕੀਤੀ ਜਿਸ ਨੇ "ਭਾਸ਼ਾ ਡਿਸਪਲੇ" ਦੇ ਵਿਚਾਰ ਵਿਕਸਿਤ ਕੀਤੇ - ਇਸਨੂੰ ਬ੍ਰੇਨਪੋਰਟ ਕਿਹਾ ਜਾਂਦਾ ਸੀ। ਬ੍ਰੇਨਪੋਰਟ ਹੇਠਾਂ ਦਿੱਤੇ ਐਲਗੋਰਿਦਮ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦਾ ਹੈ: ਵੀਡੀਓ ਸਿਗਨਲ ਕੈਮਰੇ ਤੋਂ ਪ੍ਰੋਸੈਸਰ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਜ਼ੂਮ, ਚਮਕ ਅਤੇ ਹੋਰ ਤਸਵੀਰ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ। ਇਹ ਡਿਜ਼ੀਟਲ ਸਿਗਨਲਾਂ ਨੂੰ ਇਲੈਕਟ੍ਰੀਕਲ ਇੰਪਲਸਜ਼ ਵਿੱਚ ਵੀ ਬਦਲਦਾ ਹੈ, ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਰੈਟੀਨਾ ਦੇ ਕਾਰਜਾਂ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ।

ਐਨਕਾਂ ਅਤੇ ਕੈਮਰੇ ਨਾਲ ਬ੍ਰੇਨਪੋਰਟ ਲਾਲੀਪੌਪ

ਕੰਮ 'ਤੇ BrainPort

ਇੱਕ ਕੰਪਿਊਟਰ ਦੇ ਨਾਲ ਵੀ. ਜੇਕਰ ਤੰਤੂ ਨੈੱਟਵਰਕ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਇੱਕ ਤਬਦੀਲੀ ਮਹਿਸੂਸ ਕਰਦਾ ਹੈ, ਤਾਂ ਇਹ ਇਸਦੇ ਅਨੁਕੂਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਇਹ ਹੋਰ ਐਲਗੋਰਿਦਮ - ਖੁਦਮੁਖਤਿਆਰੀ ਦੇ ਮੁਕਾਬਲੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦਾ ਮੁੱਖ ਫਾਇਦਾ ਹੈ। ਮਨੁੱਖਤਾ ਦੀ ਇੱਕ ਕਿਸਮ.

ਏਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਵਿਸ਼ਲੇਸ਼ਣ

ਐਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਟੀਲਥਵਾਚ ਸਿਸਟਮ ਦਾ ਹਿੱਸਾ ਹੈ। ਸਟੀਲਥਵਾਚ ਸੁਰੱਖਿਆ ਨਿਗਰਾਨੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਹੱਲਾਂ ਵਿੱਚ ਸਿਸਕੋ ਦੀ ਐਂਟਰੀ ਹੈ ਜੋ ਮੌਜੂਦਾ ਨੈੱਟਵਰਕ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਤੋਂ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੈਲੀਮੈਟਰੀ ਡੇਟਾ ਦਾ ਲਾਭ ਉਠਾਉਂਦੀ ਹੈ।

ਸਟੀਲਥਵਾਚ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਫਲੋ ਰੇਟ ਲਾਇਸੈਂਸ, ਫਲੋ ਕਲੈਕਟਰ, ਮੈਨੇਜਮੈਂਟ ਕੰਸੋਲ ਅਤੇ ਫਲੋ ਸੈਂਸਰ ਟੂਲਸ 'ਤੇ ਆਧਾਰਿਤ ਹੈ।

ਸਿਸਕੋ ਸਟੀਲਥਵਾਚ ਇੰਟਰਫੇਸ

ਐਨਕ੍ਰਿਪਸ਼ਨ ਨਾਲ ਸਮੱਸਿਆ ਇਸ ਤੱਥ ਦੇ ਕਾਰਨ ਬਹੁਤ ਗੰਭੀਰ ਹੋ ਗਈ ਕਿ ਬਹੁਤ ਜ਼ਿਆਦਾ ਟ੍ਰੈਫਿਕ ਏਨਕ੍ਰਿਪਟ ਹੋਣਾ ਸ਼ੁਰੂ ਹੋ ਗਿਆ। ਪਹਿਲਾਂ, ਸਿਰਫ ਕੋਡ ਨੂੰ ਐਨਕ੍ਰਿਪਟ ਕੀਤਾ ਗਿਆ ਸੀ (ਜ਼ਿਆਦਾਤਰ), ਪਰ ਹੁਣ ਸਾਰਾ ਟ੍ਰੈਫਿਕ ਏਨਕ੍ਰਿਪਟ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਵਾਇਰਸਾਂ ਤੋਂ "ਸਾਫ਼" ਡੇਟਾ ਨੂੰ ਵੱਖ ਕਰਨਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਗਿਆ ਹੈ। ਇੱਕ ਸ਼ਾਨਦਾਰ ਉਦਾਹਰਨ WannaCry ਹੈ, ਜਿਸ ਨੇ ਆਪਣੀ ਔਨਲਾਈਨ ਮੌਜੂਦਗੀ ਨੂੰ ਲੁਕਾਉਣ ਲਈ ਟੋਰ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।

ਨੈੱਟਵਰਕ 'ਤੇ ਟ੍ਰੈਫਿਕ ਇਨਕ੍ਰਿਪਸ਼ਨ ਵਿੱਚ ਵਾਧੇ ਦੀ ਕਲਪਨਾ

ਮੈਕਰੋਇਕਨਾਮਿਕਸ ਵਿੱਚ ਐਨਕ੍ਰਿਪਸ਼ਨ

ਐਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (ETA) ਸਿਸਟਮ ਐਨਕ੍ਰਿਪਟ ਕੀਤੇ ਟ੍ਰੈਫਿਕ ਨੂੰ ਬਿਨਾਂ ਡੀਕ੍ਰਿਪਟ ਕੀਤੇ ਇਸ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਬਿਲਕੁਲ ਜ਼ਰੂਰੀ ਹੈ। ਹਮਲਾਵਰ ਚੁਸਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕ੍ਰਿਪਟੋ-ਰੋਧਕ ਏਨਕ੍ਰਿਪਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਤੋੜਨਾ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਸਮੱਸਿਆ ਹੈ, ਸਗੋਂ ਸੰਸਥਾਵਾਂ ਲਈ ਬਹੁਤ ਮਹਿੰਗਾ ਵੀ ਹੈ।

ਸਿਸਟਮ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦਾ ਹੈ। ਕੁਝ ਟ੍ਰੈਫਿਕ ਕੰਪਨੀ ਨੂੰ ਆਉਂਦਾ ਹੈ. ਇਹ TLS (ਟ੍ਰਾਂਸਪੋਰਟ ਲੇਅਰ ਸੁਰੱਖਿਆ) ਵਿੱਚ ਆਉਂਦਾ ਹੈ। ਮੰਨ ਲਓ ਕਿ ਟ੍ਰੈਫਿਕ ਐਨਕ੍ਰਿਪਟਡ ਹੈ। ਅਸੀਂ ਕਈ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ ਕਿ ਕਿਸ ਤਰ੍ਹਾਂ ਦਾ ਕੁਨੈਕਸ਼ਨ ਬਣਾਇਆ ਗਿਆ ਸੀ।

ਐਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਵਿਸ਼ਲੇਸ਼ਣ (ETA) ਸਿਸਟਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ

ਇਹਨਾਂ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਅਸੀਂ ਇਸ ਸਿਸਟਮ ਵਿੱਚ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ। ਸਿਸਕੋ ਤੋਂ ਖੋਜ ਲਈ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਹਨਾਂ ਅਧਿਐਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ 2 ਨਤੀਜਿਆਂ ਤੋਂ ਇੱਕ ਸਾਰਣੀ ਬਣਾਈ ਜਾਂਦੀ ਹੈ - ਖਤਰਨਾਕ ਅਤੇ "ਚੰਗਾ" ਆਵਾਜਾਈ। ਬੇਸ਼ੱਕ, ਅਸੀਂ ਯਕੀਨੀ ਤੌਰ 'ਤੇ ਨਹੀਂ ਜਾਣਦੇ ਕਿ ਮੌਜੂਦਾ ਸਮੇਂ ਵਿੱਚ ਸਿਸਟਮ ਵਿੱਚ ਕਿਸ ਕਿਸਮ ਦਾ ਟ੍ਰੈਫਿਕ ਸਿੱਧਾ ਦਾਖਲ ਹੋਇਆ ਹੈ, ਪਰ ਅਸੀਂ ਵਿਸ਼ਵ ਪੱਧਰ ਤੋਂ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੰਪਨੀ ਦੇ ਅੰਦਰ ਅਤੇ ਬਾਹਰ ਟਰੈਫਿਕ ਦੇ ਇਤਿਹਾਸ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਾਂ। ਇਸ ਪੜਾਅ ਦੇ ਅੰਤ ਵਿੱਚ, ਸਾਨੂੰ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਵਿਸ਼ਾਲ ਸਾਰਣੀ ਮਿਲਦੀ ਹੈ.

ਅਧਿਐਨ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਵਿਸ਼ੇਸ਼ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾਂਦੀ ਹੈ - ਕੁਝ ਨਿਯਮ ਜੋ ਗਣਿਤ ਦੇ ਰੂਪ ਵਿੱਚ ਲਿਖੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ ਨਿਯਮ ਵੱਖ-ਵੱਖ ਮਾਪਦੰਡਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਬਹੁਤ ਵੱਖਰੇ ਹੋਣਗੇ - ਟ੍ਰਾਂਸਫਰ ਕੀਤੀਆਂ ਫਾਈਲਾਂ ਦਾ ਆਕਾਰ, ਕਨੈਕਸ਼ਨ ਦੀ ਕਿਸਮ, ਦੇਸ਼ ਜਿਸ ਤੋਂ ਇਹ ਆਵਾਜਾਈ ਆਉਂਦੀ ਹੈ, ਆਦਿ। ਕੰਮ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਵਿਸ਼ਾਲ ਸਾਰਣੀ ਫਾਰਮੂਲਿਆਂ ਦੇ ਢੇਰਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ ਬਦਲ ਗਈ. ਉਹਨਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਘੱਟ ਹਨ, ਪਰ ਇਹ ਆਰਾਮਦਾਇਕ ਕੰਮ ਲਈ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ.

ਅੱਗੇ, ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨਾਲੋਜੀ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ - ਫਾਰਮੂਲਾ ਕਨਵਰਜੈਂਸ ਅਤੇ ਕਨਵਰਜੈਂਸ ਦੇ ਨਤੀਜੇ ਦੇ ਅਧਾਰ 'ਤੇ ਸਾਨੂੰ ਇੱਕ ਟਰਿੱਗਰ ਮਿਲਦਾ ਹੈ - ਇੱਕ ਸਵਿੱਚ, ਜਿੱਥੇ ਡੇਟਾ ਆਉਟਪੁੱਟ ਹੋਣ 'ਤੇ ਸਾਨੂੰ ਉੱਚੀ ਜਾਂ ਨੀਵੀਂ ਸਥਿਤੀ ਵਿੱਚ ਇੱਕ ਸਵਿੱਚ (ਫਲੈਗ) ਮਿਲਦਾ ਹੈ।

ਨਤੀਜਾ ਪੜਾਅ ਟਰਿਗਰਸ ਦਾ ਇੱਕ ਸੈੱਟ ਪ੍ਰਾਪਤ ਕਰ ਰਿਹਾ ਹੈ ਜੋ 99% ਟ੍ਰੈਫਿਕ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ।

ETA ਵਿੱਚ ਟ੍ਰੈਫਿਕ ਜਾਂਚ ਦੇ ਪੜਾਅ

ਕੰਮ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਇਕ ਹੋਰ ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਜਾਂਦੀ ਹੈ - ਅੰਦਰੋਂ ਹਮਲਾ. ਮਿਡਲ ਵਿੱਚ ਲੋਕਾਂ ਨੂੰ ਟ੍ਰੈਫਿਕ ਨੂੰ ਹੱਥੀਂ ਫਿਲਟਰ ਕਰਨ ਦੀ ਹੁਣ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ (ਮੈਂ ਇਸ ਬਿੰਦੂ 'ਤੇ ਆਪਣੇ ਆਪ ਨੂੰ ਡੁੱਬ ਰਿਹਾ ਹਾਂ). ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਹੁਣ ਇੱਕ ਸਮਰੱਥ ਸਿਸਟਮ ਪ੍ਰਸ਼ਾਸਕ 'ਤੇ ਬਹੁਤ ਸਾਰਾ ਪੈਸਾ ਖਰਚ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨਹੀਂ ਹੈ (ਮੈਂ ਆਪਣੇ ਆਪ ਨੂੰ ਡੁੱਬਦਾ ਰਹਿੰਦਾ ਹਾਂ). ਦੂਜਾ, ਅੰਦਰੋਂ (ਘੱਟੋ-ਘੱਟ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ) ਹੈਕਿੰਗ ਦਾ ਕੋਈ ਖ਼ਤਰਾ ਨਹੀਂ ਹੈ।

ਪੁਰਾਣੀ ਮੈਨ-ਇਨ-ਦ-ਮਿਡਲ ਧਾਰਨਾ

ਹੁਣ, ਆਓ ਇਹ ਪਤਾ ਕਰੀਏ ਕਿ ਸਿਸਟਮ ਕਿਸ 'ਤੇ ਅਧਾਰਤ ਹੈ।

ਸਿਸਟਮ 4 ਸੰਚਾਰ ਪ੍ਰੋਟੋਕੋਲਾਂ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ: TCP/IP - ਇੰਟਰਨੈਟ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਪ੍ਰੋਟੋਕੋਲ, DNS - ਡੋਮੇਨ ਨਾਮ ਸਰਵਰ, TLS - ਟ੍ਰਾਂਸਪੋਰਟ ਲੇਅਰ ਸੁਰੱਖਿਆ ਪ੍ਰੋਟੋਕੋਲ, SPLT (ਸਪੇਸਵਾਇਰ ਫਿਜ਼ੀਕਲ ਲੇਅਰ ਟੈਸਟਰ) - ਭੌਤਿਕ ਸੰਚਾਰ ਲੇਅਰ ਟੈਸਟਰ।

ETA ਨਾਲ ਕੰਮ ਕਰਨ ਵਾਲੇ ਪ੍ਰੋਟੋਕੋਲ

ਤੁਲਨਾ ਡੇਟਾ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। TCP/IP ਪ੍ਰੋਟੋਕੋਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਸਾਈਟਾਂ ਦੀ ਸਾਖ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ (ਵਿਜ਼ਿਟ ਇਤਿਹਾਸ, ਸਾਈਟ ਬਣਾਉਣ ਦਾ ਉਦੇਸ਼, ਆਦਿ), DNS ਪ੍ਰੋਟੋਕੋਲ ਲਈ ਧੰਨਵਾਦ, ਅਸੀਂ "ਬੁਰੇ" ਸਾਈਟ ਪਤਿਆਂ ਨੂੰ ਰੱਦ ਕਰ ਸਕਦੇ ਹਾਂ। TLS ਪ੍ਰੋਟੋਕੋਲ ਸਾਈਟ ਦੇ ਫਿੰਗਰਪ੍ਰਿੰਟ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਕੰਪਿਊਟਰ ਐਮਰਜੈਂਸੀ ਰਿਸਪਾਂਸ ਟੀਮ (ਸਰਟ) ਦੇ ਵਿਰੁੱਧ ਸਾਈਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ। ਕੁਨੈਕਸ਼ਨ ਦੀ ਜਾਂਚ ਕਰਨ ਦਾ ਆਖਰੀ ਪੜਾਅ ਭੌਤਿਕ ਪੱਧਰ 'ਤੇ ਜਾਂਚ ਕਰ ਰਿਹਾ ਹੈ। ਇਸ ਪੜਾਅ ਦੇ ਵੇਰਵੇ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੇ ਗਏ ਹਨ, ਪਰ ਬਿੰਦੂ ਇਸ ਤਰ੍ਹਾਂ ਹੈ: ਔਸਿਲੋਗ੍ਰਾਫਿਕ ਸਥਾਪਨਾਵਾਂ 'ਤੇ ਡੇਟਾ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਕਰਵਜ਼ ਦੇ ਸਾਈਨ ਅਤੇ ਕੋਸਾਈਨ ਕਰਵ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਯਾਨੀ. ਭੌਤਿਕ ਪਰਤ 'ਤੇ ਬੇਨਤੀ ਦੀ ਬਣਤਰ ਲਈ ਧੰਨਵਾਦ, ਅਸੀਂ ਕੁਨੈਕਸ਼ਨ ਦਾ ਉਦੇਸ਼ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਾਂ।

ਸਿਸਟਮ ਦੇ ਸੰਚਾਲਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ, ਅਸੀਂ ਏਨਕ੍ਰਿਪਟ ਕੀਤੇ ਟ੍ਰੈਫਿਕ ਤੋਂ ਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ। ਪੈਕੇਟਾਂ ਦੀ ਜਾਂਚ ਕਰਕੇ, ਅਸੀਂ ਪੈਕੇਟ ਵਿੱਚ ਹੀ ਅਣ-ਇਨਕ੍ਰਿਪਟਡ ਖੇਤਰਾਂ ਤੋਂ ਵੱਧ ਤੋਂ ਵੱਧ ਜਾਣਕਾਰੀ ਪੜ੍ਹ ਸਕਦੇ ਹਾਂ। ਭੌਤਿਕ ਪਰਤ 'ਤੇ ਪੈਕੇਟ ਦੀ ਜਾਂਚ ਕਰਕੇ, ਅਸੀਂ ਪੈਕਟ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ) ਦਾ ਪਤਾ ਲਗਾਉਂਦੇ ਹਾਂ। ਨਾਲ ਹੀ, ਸਾਈਟਾਂ ਦੀ ਸਾਖ ਬਾਰੇ ਨਾ ਭੁੱਲੋ. ਜੇਕਰ ਬੇਨਤੀ ਕਿਸੇ .onion ਸਰੋਤ ਤੋਂ ਆਈ ਹੈ, ਤਾਂ ਤੁਹਾਨੂੰ ਇਸ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ। ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਣ ਲਈ, ਇੱਕ ਜੋਖਮ ਦਾ ਨਕਸ਼ਾ ਬਣਾਇਆ ਗਿਆ ਹੈ।

ETA ਦੇ ਕੰਮ ਦਾ ਨਤੀਜਾ

ਅਤੇ ਸਭ ਕੁਝ ਠੀਕ ਜਾਪਦਾ ਹੈ, ਪਰ ਆਓ ਨੈੱਟਵਰਕ ਤੈਨਾਤੀ ਬਾਰੇ ਗੱਲ ਕਰੀਏ.

ETA ਦਾ ਭੌਤਿਕ ਲਾਗੂ ਕਰਨਾ

ਇੱਥੇ ਬਹੁਤ ਸਾਰੀਆਂ ਬਾਰੀਕੀਆਂ ਅਤੇ ਸੂਖਮਤਾਵਾਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ. ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਕਿਸਮ ਦੀ ਬਣਾਉਣ ਵੇਲੇ
ਉੱਚ-ਪੱਧਰੀ ਸੌਫਟਵੇਅਰ ਵਾਲੇ ਨੈਟਵਰਕ, ਡਾਟਾ ਇਕੱਤਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੱਥੀਂ ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ
ਜੰਗਲੀ, ਪਰ ਇੱਕ ਜਵਾਬ ਪ੍ਰਣਾਲੀ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਪਹਿਲਾਂ ਹੀ ਵਧੇਰੇ ਦਿਲਚਸਪ ਹੈ। ਦੂਜਾ, ਡਾਟਾ
ਬਹੁਤ ਕੁਝ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਥਾਪਿਤ ਕੀਤੇ ਨੈਟਵਰਕ ਸੈਂਸਰਾਂ ਨੂੰ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ
ਨਾ ਸਿਰਫ ਖੁਦਮੁਖਤਿਆਰੀ, ਬਲਕਿ ਬਾਰੀਕ ਟਿਊਨਡ ਮੋਡ ਵਿੱਚ ਵੀ, ਜੋ ਕਿ ਬਹੁਤ ਸਾਰੀਆਂ ਮੁਸ਼ਕਲਾਂ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਸੈਂਸਰ ਅਤੇ ਸਟੀਲਥਵਾਚ ਸਿਸਟਮ

ਸੈਂਸਰ ਲਗਾਉਣਾ ਇੱਕ ਚੀਜ਼ ਹੈ, ਪਰ ਇਸਨੂੰ ਸਥਾਪਤ ਕਰਨਾ ਇੱਕ ਬਿਲਕੁਲ ਵੱਖਰਾ ਕੰਮ ਹੈ। ਸੈਂਸਰਾਂ ਦੀ ਸੰਰਚਨਾ ਕਰਨ ਲਈ, ਇੱਕ ਕੰਪਲੈਕਸ ਹੈ ਜੋ ਹੇਠਾਂ ਦਿੱਤੇ ਟੋਪੋਲੋਜੀ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦਾ ਹੈ - ISR = Cisco Integrated Services Router; ASR = ਸਿਸਕੋ ਐਗਰੀਗੇਸ਼ਨ ਸਰਵਿਸਿਜ਼ ਰਾਊਟਰ; CSR = ਸਿਸਕੋ ਕਲਾਉਡ ਸੇਵਾਵਾਂ ਰਾਊਟਰ; WLC = Cisco ਵਾਇਰਲੈੱਸ LAN ਕੰਟਰੋਲਰ; IE = ਸਿਸਕੋ ਉਦਯੋਗਿਕ ਈਥਰਨੈੱਟ ਸਵਿੱਚ; ASA = ਸਿਸਕੋ ਅਡੈਪਟਿਵ ਸੁਰੱਖਿਆ ਉਪਕਰਨ; FTD = ਸਿਸਕੋ ਫਾਇਰਪਾਵਰ ਥਰੇਟ ਡਿਫੈਂਸ ਹੱਲ; WSA = ਵੈੱਬ ਸੁਰੱਖਿਆ ਉਪਕਰਨ; ISE = ਪਛਾਣ ਸੇਵਾਵਾਂ ਇੰਜਣ

ਕਿਸੇ ਵੀ ਟੈਲੀਮੈਟ੍ਰਿਕ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਵਿਆਪਕ ਨਿਗਰਾਨੀ

ਨੈਟਵਰਕ ਪ੍ਰਸ਼ਾਸਕ ਪਿਛਲੇ ਪੈਰੇ ਵਿੱਚ "ਸਿਸਕੋ" ਸ਼ਬਦਾਂ ਦੀ ਸੰਖਿਆ ਤੋਂ ਅਰੀਥਮੀਆ ਦਾ ਅਨੁਭਵ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹਨ। ਇਸ ਚਮਤਕਾਰ ਦੀ ਕੀਮਤ ਘੱਟ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਉਹ ਨਹੀਂ ਹੈ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਅੱਜ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ ...

ਹੈਕਰ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਮਾਡਲ ਬਣਾਇਆ ਜਾਵੇਗਾ। ਸਟੀਲਥਵਾਚ ਨੈੱਟਵਰਕ 'ਤੇ ਹਰ ਡਿਵਾਈਸ ਦੀ ਗਤੀਵਿਧੀ ਦੀ ਧਿਆਨ ਨਾਲ ਨਿਗਰਾਨੀ ਕਰਦੀ ਹੈ ਅਤੇ ਆਮ ਵਿਵਹਾਰ ਦਾ ਪੈਟਰਨ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਹੱਲ ਜਾਣੇ-ਪਛਾਣੇ ਅਣਉਚਿਤ ਵਿਵਹਾਰ ਦੀ ਡੂੰਘੀ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਹੱਲ ਲਗਭਗ 100 ਵੱਖ-ਵੱਖ ਵਿਸ਼ਲੇਸ਼ਣ ਐਲਗੋਰਿਦਮ ਜਾਂ ਹਿਊਰੀਸਟਿਕਸ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਟ੍ਰੈਫਿਕ ਵਿਵਹਾਰ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਸਕੈਨਿੰਗ, ਹੋਸਟ ਅਲਾਰਮ ਫਰੇਮ, ਬਰੂਟ-ਫੋਰਸ ਲੌਗਿਨ, ਸ਼ੱਕੀ ਡੇਟਾ ਕੈਪਚਰ, ਸ਼ੱਕੀ ਡੇਟਾ ਲੀਕੇਜ, ਆਦਿ। ਸੂਚੀਬੱਧ ਸੁਰੱਖਿਆ ਇਵੈਂਟ ਉੱਚ-ਪੱਧਰੀ ਲਾਜ਼ੀਕਲ ਅਲਾਰਮ ਦੀ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧੀਨ ਆਉਂਦੇ ਹਨ। ਕੁਝ ਸੁਰੱਖਿਆ ਇਵੈਂਟਾਂ ਆਪਣੇ ਆਪ ਇੱਕ ਅਲਾਰਮ ਵੀ ਸ਼ੁਰੂ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਸਿਸਟਮ ਕਈ ਅਲੱਗ-ਥਲੱਗ ਅਸਧਾਰਨ ਘਟਨਾਵਾਂ ਨੂੰ ਜੋੜਨ ਦੇ ਯੋਗ ਹੈ ਅਤੇ ਸੰਭਾਵਿਤ ਕਿਸਮ ਦੇ ਹਮਲੇ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ, ਨਾਲ ਹੀ ਇਸ ਨੂੰ ਇੱਕ ਖਾਸ ਡਿਵਾਈਸ ਅਤੇ ਉਪਭੋਗਤਾ (ਚਿੱਤਰ 2) ਨਾਲ ਜੋੜਦਾ ਹੈ। ਭਵਿੱਖ ਵਿੱਚ, ਘਟਨਾ ਦਾ ਸਮੇਂ ਦੇ ਨਾਲ ਅਧਿਐਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸੰਬੰਧਿਤ ਟੈਲੀਮੈਟਰੀ ਡੇਟਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ. ਇਹ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਸੰਗਿਕ ਜਾਣਕਾਰੀ ਦਾ ਗਠਨ ਕਰਦਾ ਹੈ। ਕੀ ਗਲਤ ਹੈ ਇਹ ਸਮਝਣ ਲਈ ਮਰੀਜ਼ ਦੀ ਜਾਂਚ ਕਰਨ ਵਾਲੇ ਡਾਕਟਰ ਅਲੱਗ-ਥਲੱਗ ਵਿੱਚ ਲੱਛਣਾਂ ਨੂੰ ਨਹੀਂ ਦੇਖਦੇ। ਉਹ ਇੱਕ ਨਿਦਾਨ ਕਰਨ ਲਈ ਵੱਡੀ ਤਸਵੀਰ ਨੂੰ ਦੇਖਦੇ ਹਨ. ਇਸੇ ਤਰ੍ਹਾਂ, ਸਟੀਲਥਵਾਚ ਨੈੱਟਵਰਕ 'ਤੇ ਹਰ ਅਸਧਾਰਨ ਗਤੀਵਿਧੀ ਨੂੰ ਕੈਪਚਰ ਕਰਦੀ ਹੈ ਅਤੇ ਸੰਦਰਭ-ਜਾਗਰੂਕ ਅਲਾਰਮ ਭੇਜਣ ਲਈ ਇਸਦੀ ਸੰਪੂਰਨ ਜਾਂਚ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਸੁਰੱਖਿਆ ਪੇਸ਼ੇਵਰਾਂ ਨੂੰ ਜੋਖਮਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਮਿਲਦੀ ਹੈ।

ਵਿਹਾਰ ਮਾਡਲਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ

ਨੈੱਟਵਰਕ ਦੀ ਭੌਤਿਕ ਤੈਨਾਤੀ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

ਬ੍ਰਾਂਚ ਨੈੱਟਵਰਕ ਡਿਪਲਾਇਮੈਂਟ ਵਿਕਲਪ (ਸਰਲੀਕ੍ਰਿਤ)

ਬ੍ਰਾਂਚ ਨੈੱਟਵਰਕ ਡਿਪਲਾਇਮੈਂਟ ਵਿਕਲਪ

ਨੈੱਟਵਰਕ ਨੂੰ ਤੈਨਾਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ ਨਿਊਰੋਨ ਬਾਰੇ ਸਵਾਲ ਖੁੱਲ੍ਹਾ ਰਹਿੰਦਾ ਹੈ. ਉਨ੍ਹਾਂ ਨੇ ਇੱਕ ਡੇਟਾ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਨੈਟਵਰਕ ਦਾ ਆਯੋਜਨ ਕੀਤਾ, ਥ੍ਰੈਸ਼ਹੋਲਡਜ਼ 'ਤੇ ਸੈਂਸਰ ਸਥਾਪਿਤ ਕੀਤੇ ਅਤੇ ਇੱਕ ਸੂਚਨਾ ਇਕੱਤਰ ਕਰਨ ਵਾਲੀ ਪ੍ਰਣਾਲੀ ਸ਼ੁਰੂ ਕੀਤੀ, ਪਰ ਨਿਊਰੋਨ ਨੇ ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਹਿੱਸਾ ਨਹੀਂ ਲਿਆ। ਬਾਈ.

ਮਲਟੀਲੇਅਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ

ਸਿਸਟਮ ਖਤਰਨਾਕ ਲਾਗਾਂ, ਕਮਾਂਡ ਅਤੇ ਨਿਯੰਤਰਣ ਸਰਵਰਾਂ ਨਾਲ ਸੰਚਾਰ, ਡੇਟਾ ਲੀਕ, ਅਤੇ ਸੰਗਠਨ ਦੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਚੱਲ ਰਹੇ ਸੰਭਾਵੀ ਅਣਚਾਹੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਉਪਭੋਗਤਾ ਅਤੇ ਡਿਵਾਈਸ ਵਿਵਹਾਰ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀਆਂ ਕਈ ਪਰਤਾਂ ਹਨ ਜਿੱਥੇ ਨਕਲੀ ਬੁੱਧੀ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ, ਅਤੇ ਗਣਿਤ ਸੰਬੰਧੀ ਅੰਕੜਾ ਤਕਨੀਕਾਂ ਦਾ ਸੁਮੇਲ ਨੈੱਟਵਰਕ ਨੂੰ ਆਪਣੀ ਆਮ ਗਤੀਵਿਧੀ ਨੂੰ ਸਵੈ-ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਖਤਰਨਾਕ ਗਤੀਵਿਧੀ ਦਾ ਪਤਾ ਲਗਾ ਸਕੇ।

ਨੈੱਟਵਰਕ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਪਾਈਪਲਾਈਨ, ਜੋ ਕਿ ਏਨਕ੍ਰਿਪਟਡ ਟ੍ਰੈਫਿਕ ਸਮੇਤ ਵਿਸਤ੍ਰਿਤ ਨੈੱਟਵਰਕ ਦੇ ਸਾਰੇ ਹਿੱਸਿਆਂ ਤੋਂ ਟੈਲੀਮੈਟਰੀ ਡੇਟਾ ਇਕੱਠਾ ਕਰਦੀ ਹੈ, ਸਟੀਲਥਵਾਚ ਦੀ ਇੱਕ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ। ਇਹ "ਅਸਾਧਾਰਨ" ਕੀ ਹੈ, ਇਸਦੀ ਸਮਝ ਵਿਕਸਿਤ ਕਰਦਾ ਹੈ, ਫਿਰ "ਖਤਰੇ ਵਾਲੀ ਗਤੀਵਿਧੀ" ਦੇ ਅਸਲ ਵਿਅਕਤੀਗਤ ਤੱਤਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਅੰਤਮ ਨਿਰਣਾ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਡਿਵਾਈਸ ਜਾਂ ਉਪਭੋਗਤਾ ਨਾਲ ਅਸਲ ਵਿੱਚ ਸਮਝੌਤਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਕਿਸੇ ਸੰਪਤੀ ਨਾਲ ਸਮਝੌਤਾ ਕੀਤਾ ਗਿਆ ਹੈ ਜਾਂ ਨਹੀਂ ਇਸ ਬਾਰੇ ਅੰਤਿਮ ਫੈਸਲਾ ਲੈਣ ਲਈ ਸਬੂਤ ਬਣਾਉਂਦੇ ਹੋਏ ਛੋਟੇ ਟੁਕੜਿਆਂ ਨੂੰ ਇਕੱਠੇ ਕਰਨ ਦੀ ਯੋਗਤਾ ਬਹੁਤ ਧਿਆਨ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਬੰਧਾਂ ਦੁਆਰਾ ਆਉਂਦੀ ਹੈ।

ਇਹ ਯੋਗਤਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਆਮ ਕਾਰੋਬਾਰ ਨੂੰ ਹਰ ਰੋਜ਼ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਅਲਾਰਮ ਪ੍ਰਾਪਤ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਹਰ ਇੱਕ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਸੰਭਵ ਹੈ ਕਿਉਂਕਿ ਸੁਰੱਖਿਆ ਪੇਸ਼ੇਵਰਾਂ ਕੋਲ ਸੀਮਤ ਸਰੋਤ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮੋਡੀਊਲ ਨਾਜ਼ੁਕ ਘਟਨਾਵਾਂ ਦੀ ਉੱਚ ਪੱਧਰੀ ਭਰੋਸੇ ਨਾਲ ਪਛਾਣ ਕਰਨ ਲਈ ਨੇੜੇ ਦੇ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦਾ ਹੈ, ਅਤੇ ਤੇਜ਼ ਹੱਲ ਲਈ ਕਾਰਵਾਈ ਦੇ ਸਪਸ਼ਟ ਕੋਰਸ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਯੋਗ ਵੀ ਹੈ।

ਆਉ ਸਟੀਲਥਵਾਚ ਦੁਆਰਾ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਕਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ 'ਤੇ ਇੱਕ ਡੂੰਘਾਈ ਨਾਲ ਵਿਚਾਰ ਕਰੀਏ। ਜਦੋਂ ਕੋਈ ਘਟਨਾ ਸਟੀਲਥਵਾਚ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੰਜਣ ਨੂੰ ਸਪੁਰਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਫਨਲ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ ਜੋ ਨਿਰੀਖਣ ਅਤੇ ਅਣਸੁਪਰਵਾਈਜ਼ਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਬਹੁ-ਪੱਧਰੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਸਮਰੱਥਾਵਾਂ

ਪੱਧਰ 1। ਅਸਮਾਨਤਾ ਖੋਜ ਅਤੇ ਵਿਸ਼ਵਾਸ ਮਾਡਲਿੰਗ

ਇਸ ਪੱਧਰ 'ਤੇ, 99% ਟ੍ਰੈਫਿਕ ਨੂੰ ਅੰਕੜਾ ਵਿਗਾੜ ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਸੈਂਸਰ ਮਿਲ ਕੇ ਗੁੰਝਲਦਾਰ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਨ ਕਿ ਕੀ ਆਮ ਹੈ ਅਤੇ ਕੀ, ਇਸ ਦੇ ਉਲਟ, ਅਸਧਾਰਨ ਹੈ। ਹਾਲਾਂਕਿ, ਅਸਧਾਰਨ ਜ਼ਰੂਰੀ ਤੌਰ 'ਤੇ ਨੁਕਸਾਨਦੇਹ ਨਹੀਂ ਹੈ। ਤੁਹਾਡੇ ਨੈੱਟਵਰਕ 'ਤੇ ਜੋ ਕੁਝ ਹੋ ਰਿਹਾ ਹੈ ਉਸ ਦਾ ਖ਼ਤਰੇ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ—ਇਹ ਸਿਰਫ਼ ਅਜੀਬ ਹੈ। ਧਮਕੀ ਭਰੇ ਵਿਵਹਾਰ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਅਜਿਹੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇਸ ਕਾਰਨ ਕਰਕੇ, ਅਜੀਬ ਵਿਵਹਾਰ ਨੂੰ ਹਾਸਲ ਕਰਨ ਲਈ ਅਜਿਹੇ ਡਿਟੈਕਟਰਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿਸਦੀ ਵਿਆਖਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ ਭਰੋਸਾ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਅੰਤ ਵਿੱਚ, ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਥ੍ਰੈੱਡਾਂ ਅਤੇ ਬੇਨਤੀਆਂ ਦਾ ਸਿਰਫ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਹਿੱਸਾ ਇਸ ਨੂੰ ਲੇਅਰ 2 ਅਤੇ 3 ਵਿੱਚ ਬਣਾਉਂਦਾ ਹੈ। ਅਜਿਹੀਆਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੇ ਬਿਨਾਂ, ਸਿਗਨਲ ਨੂੰ ਰੌਲੇ ਤੋਂ ਵੱਖ ਕਰਨ ਦੀ ਸੰਚਾਲਨ ਲਾਗਤ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ।

ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦਾ ਪਹਿਲਾ ਕਦਮ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਆਮ ਟ੍ਰੈਫਿਕ ਨੂੰ ਅਸਧਾਰਨ ਟ੍ਰੈਫਿਕ ਤੋਂ ਵੱਖ ਕਰਨ ਲਈ ਅੰਕੜਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। 70 ਤੋਂ ਵੱਧ ਵਿਅਕਤੀਗਤ ਡਿਟੈਕਟਰ ਸਟੀਲਥਵਾਚ ਤੁਹਾਡੇ ਨੈੱਟਵਰਕ ਘੇਰੇ ਵਿੱਚੋਂ ਲੰਘਣ ਵਾਲੇ ਟ੍ਰੈਫਿਕ 'ਤੇ ਇਕੱਠੇ ਕੀਤੇ ਟੈਲੀਮੈਟਰੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਦੇ ਹਨ, ਅੰਦਰੂਨੀ ਡੋਮੇਨ ਨੇਮ ਸਿਸਟਮ (DNS) ਟ੍ਰੈਫਿਕ ਨੂੰ ਪ੍ਰੌਕਸੀ ਸਰਵਰ ਡੇਟਾ ਤੋਂ ਵੱਖ ਕਰਦੇ ਹੋਏ, ਜੇਕਰ ਕੋਈ ਹੋਵੇ। ਹਰੇਕ ਬੇਨਤੀ 'ਤੇ 70 ਤੋਂ ਵੱਧ ਡਿਟੈਕਟਰਾਂ ਦੁਆਰਾ ਕਾਰਵਾਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਹਰੇਕ ਡਿਟੈਕਟਰ ਖੋਜੀਆਂ ਗਈਆਂ ਵਿਗਾੜਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਆਪਣੇ ਖੁਦ ਦੇ ਅੰਕੜਾ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹਨਾਂ ਸਕੋਰਾਂ ਨੂੰ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਵਿਅਕਤੀਗਤ ਪੁੱਛਗਿੱਛ ਲਈ ਇੱਕ ਸਿੰਗਲ ਸਕੋਰ ਬਣਾਉਣ ਲਈ ਕਈ ਅੰਕੜਾ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਸਮੁੱਚੀ ਸਕੋਰ ਦੀ ਵਰਤੋਂ ਫਿਰ ਆਮ ਅਤੇ ਅਸਧਾਰਨ ਆਵਾਜਾਈ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

ਮਾਡਲਿੰਗ ਟਰੱਸਟ। ਅੱਗੇ, ਸਮਾਨ ਬੇਨਤੀਆਂ ਨੂੰ ਸਮੂਹਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਜਿਹੇ ਸਮੂਹਾਂ ਲਈ ਕੁੱਲ ਅਸੰਗਤ ਸਕੋਰ ਲੰਬੇ ਸਮੇਂ ਦੀ ਔਸਤ ਵਜੋਂ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਸਮੇਂ ਦੇ ਨਾਲ, ਲੰਬੇ ਸਮੇਂ ਦੀ ਔਸਤ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਹੋਰ ਸਵਾਲਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਅਤੇ ਝੂਠੇ ਨਕਾਰਾਤਮਕ ਘਟਾਏ ਜਾਂਦੇ ਹਨ। ਟਰੱਸਟ ਮਾਡਲਿੰਗ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਟ੍ਰੈਫਿਕ ਦੇ ਸਬਸੈੱਟ ਨੂੰ ਚੁਣਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਜਿਸਦਾ ਅਸੰਗਤ ਸਕੋਰ ਅਗਲੇ ਪ੍ਰੋਸੈਸਿੰਗ ਪੱਧਰ 'ਤੇ ਜਾਣ ਲਈ ਕੁਝ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਨਿਰਧਾਰਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੋਂ ਵੱਧ ਜਾਂਦਾ ਹੈ।

ਪੱਧਰ 2। ਘਟਨਾ ਵਰਗੀਕਰਨ ਅਤੇ ਆਬਜੈਕਟ ਮਾਡਲਿੰਗ

ਇਸ ਪੱਧਰ 'ਤੇ, ਪਿਛਲੇ ਪੜਾਵਾਂ 'ਤੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਖਾਸ ਖਤਰਨਾਕ ਘਟਨਾਵਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। 90% ਤੋਂ ਉੱਪਰ ਇਕਸਾਰ ਸ਼ੁੱਧਤਾ ਦਰ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਰਗੀਕਰਣ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਮੁੱਲ ਦੇ ਆਧਾਰ 'ਤੇ ਇਵੈਂਟਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਉਨ੍ਹਾਂ ਦੇ ਵਿੱਚ:

• ਨੇਮੈਨ-ਪੀਅਰਸਨ ਲੇਮਾ (ਲੇਖ ਦੇ ਸ਼ੁਰੂ ਵਿੱਚ ਗ੍ਰਾਫ ਤੋਂ ਆਮ ਵੰਡ ਦਾ ਨਿਯਮ) 'ਤੇ ਆਧਾਰਿਤ ਰੇਖਿਕ ਮਾਡਲ
• ਮਲਟੀਵੇਰੀਏਟ ਲਰਨਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ
• ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਬੇਤਰਤੀਬ ਜੰਗਲ ਐਲਗੋਰਿਦਮ।

ਇਹ ਅਲੱਗ-ਥਲੱਗ ਸੁਰੱਖਿਆ ਇਵੈਂਟਸ ਸਮੇਂ ਦੇ ਨਾਲ ਇੱਕ ਸਿੰਗਲ ਐਂਡਪੁਆਇੰਟ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ। ਇਹ ਇਸ ਪੜਾਅ 'ਤੇ ਹੈ ਕਿ ਇੱਕ ਖ਼ਤਰੇ ਦਾ ਵੇਰਵਾ ਬਣਦਾ ਹੈ, ਜਿਸ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਪੂਰੀ ਤਸਵੀਰ ਬਣਾਈ ਜਾਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹਮਲਾਵਰ ਕੁਝ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਕਾਮਯਾਬ ਰਿਹਾ।

ਘਟਨਾਵਾਂ ਦਾ ਵਰਗੀਕਰਨ। ਪਿਛਲੇ ਪੱਧਰ ਤੋਂ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਅਸੰਗਤ ਸਬਸੈੱਟ ਨੂੰ ਵਰਗੀਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 100 ਜਾਂ ਵੱਧ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਵਰਗੀਕਰਣ ਵਿਅਕਤੀਗਤ ਵਿਹਾਰ, ਸਮੂਹ ਸਬੰਧਾਂ, ਜਾਂ ਗਲੋਬਲ ਜਾਂ ਸਥਾਨਕ ਪੈਮਾਨੇ 'ਤੇ ਵਿਵਹਾਰ 'ਤੇ ਅਧਾਰਤ ਹੁੰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਦੂਸਰੇ ਕਾਫ਼ੀ ਖਾਸ ਹੋ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਵਰਗੀਕਰਣ C&C ਟ੍ਰੈਫਿਕ, ਇੱਕ ਸ਼ੱਕੀ ਐਕਸਟੈਂਸ਼ਨ, ਜਾਂ ਇੱਕ ਅਣਅਧਿਕਾਰਤ ਸੌਫਟਵੇਅਰ ਅੱਪਡੇਟ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ। ਇਸ ਪੜਾਅ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ, ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਅਸਾਧਾਰਨ ਘਟਨਾਵਾਂ ਦਾ ਇੱਕ ਸਮੂਹ, ਕੁਝ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ.

ਆਬਜੈਕਟ ਮਾਡਲਿੰਗ. ਜੇਕਰ ਇਸ ਧਾਰਨਾ ਦਾ ਸਮਰਥਨ ਕਰਨ ਵਾਲੇ ਸਬੂਤਾਂ ਦੀ ਮਾਤਰਾ ਕਿ ਕੋਈ ਖਾਸ ਵਸਤੂ ਹਾਨੀਕਾਰਕ ਹੈ, ਪਦਾਰਥਕਤਾ ਦੀ ਸੀਮਾ ਤੋਂ ਵੱਧ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਇੱਕ ਖ਼ਤਰਾ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਖ਼ਤਰੇ ਦੀ ਪਰਿਭਾਸ਼ਾ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੀਆਂ ਸੰਬੰਧਿਤ ਘਟਨਾਵਾਂ ਅਜਿਹੇ ਖ਼ਤਰੇ ਨਾਲ ਜੁੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਵਸਤੂ ਦੇ ਇੱਕ ਵੱਖਰੇ ਲੰਬੇ ਸਮੇਂ ਦੇ ਮਾਡਲ ਦਾ ਹਿੱਸਾ ਬਣ ਜਾਂਦੀਆਂ ਹਨ। ਜਿਵੇਂ ਕਿ ਸਮੇਂ ਦੇ ਨਾਲ ਸਬੂਤ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ, ਸਿਸਟਮ ਨਵੇਂ ਖਤਰਿਆਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ ਜਦੋਂ ਪਦਾਰਥਕਤਾ ਦੀ ਥ੍ਰੈਸ਼ਹੋਲਡ ਤੱਕ ਪਹੁੰਚ ਜਾਂਦੀ ਹੈ। ਇਹ ਥ੍ਰੈਸ਼ਹੋਲਡ ਮੁੱਲ ਗਤੀਸ਼ੀਲ ਹੈ ਅਤੇ ਖਤਰੇ ਦੇ ਜੋਖਮ ਦੇ ਪੱਧਰ ਅਤੇ ਹੋਰ ਕਾਰਕਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਸਮਝਦਾਰੀ ਨਾਲ ਐਡਜਸਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ, ਧਮਕੀ ਵੈੱਬ ਇੰਟਰਫੇਸ ਦੇ ਜਾਣਕਾਰੀ ਪੈਨਲ 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਅਤੇ ਅਗਲੇ ਪੱਧਰ 'ਤੇ ਤਬਦੀਲ ਹੋ ਜਾਂਦੀ ਹੈ।

ਪੱਧਰ 3। ਰਿਲੇਸ਼ਨਸ਼ਿਪ ਮਾਡਲਿੰਗ

ਰਿਲੇਸ਼ਨਸ਼ਿਪ ਮਾਡਲਿੰਗ ਦਾ ਉਦੇਸ਼ ਆਲਮੀ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਪਿਛਲੇ ਪੱਧਰਾਂ 'ਤੇ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਹੈ, ਨਾ ਸਿਰਫ ਸਥਾਨਕ, ਸਗੋਂ ਸੰਬੰਧਿਤ ਘਟਨਾ ਦੇ ਗਲੋਬਲ ਸੰਦਰਭ ਨੂੰ ਵੀ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ। ਇਹ ਇਸ ਪੜਾਅ 'ਤੇ ਹੈ ਕਿ ਤੁਸੀਂ ਇਹ ਨਿਰਧਾਰਤ ਕਰ ਸਕਦੇ ਹੋ ਕਿ ਕਿੰਨੀਆਂ ਸੰਸਥਾਵਾਂ ਨੇ ਅਜਿਹੇ ਹਮਲੇ ਦਾ ਸਾਹਮਣਾ ਕੀਤਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਕੀ ਇਹ ਖਾਸ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਲਈ ਸੀ ਜਾਂ ਇੱਕ ਗਲੋਬਲ ਮੁਹਿੰਮ ਦਾ ਹਿੱਸਾ ਹੈ, ਅਤੇ ਤੁਸੀਂ ਹੁਣੇ ਫੜੇ ਗਏ ਹੋ।

ਘਟਨਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਜਾਂ ਖੋਜ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਪ੍ਰਮਾਣਿਤ ਘਟਨਾ 99 ਤੋਂ 100% ਭਰੋਸੇ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ ਸੰਬੰਧਿਤ ਤਕਨੀਕਾਂ ਅਤੇ ਸਾਧਨਾਂ ਨੂੰ ਪਹਿਲਾਂ ਇੱਕ ਵੱਡੇ (ਗਲੋਬਲ) ਪੈਮਾਨੇ 'ਤੇ ਕਾਰਵਾਈ ਵਿੱਚ ਦੇਖਿਆ ਗਿਆ ਹੈ। ਖੋਜੀਆਂ ਗਈਆਂ ਘਟਨਾਵਾਂ ਤੁਹਾਡੇ ਲਈ ਵਿਲੱਖਣ ਹਨ ਅਤੇ ਇੱਕ ਉੱਚ ਨਿਸ਼ਾਨਾ ਮੁਹਿੰਮ ਦਾ ਹਿੱਸਾ ਬਣਾਉਂਦੀਆਂ ਹਨ। ਪਿਛਲੀਆਂ ਖੋਜਾਂ ਨੂੰ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਕਾਰਜ ਨਾਲ ਸਾਂਝਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਵਾਬ ਵਿੱਚ ਤੁਹਾਡਾ ਸਮਾਂ ਅਤੇ ਸਰੋਤ ਬਚਾਉਂਦਾ ਹੈ। ਉਹ ਖੋਜੀ ਸਾਧਨਾਂ ਦੇ ਨਾਲ ਆਉਂਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀ ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣ ਦੀ ਜ਼ਰੂਰਤ ਹੁੰਦੀ ਹੈ ਕਿ ਤੁਹਾਡੇ 'ਤੇ ਕਿਸ ਨੇ ਹਮਲਾ ਕੀਤਾ ਅਤੇ ਮੁਹਿੰਮ ਕਿਸ ਹੱਦ ਤੱਕ ਤੁਹਾਡੇ ਡਿਜੀਟਲ ਕਾਰੋਬਾਰ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾ ਰਹੀ ਸੀ। ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਕਲਪਨਾ ਕਰ ਸਕਦੇ ਹੋ, ਪੁਸ਼ਟੀ ਕੀਤੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ ਖੋਜੀਆਂ ਗਈਆਂ ਘਟਨਾਵਾਂ ਦੀ ਗਿਣਤੀ ਤੋਂ ਕਿਤੇ ਵੱਧ ਹੈ ਇਸ ਸਧਾਰਨ ਕਾਰਨ ਕਰਕੇ ਕਿ ਪੁਸ਼ਟੀ ਕੀਤੀਆਂ ਘਟਨਾਵਾਂ ਹਮਲਾਵਰਾਂ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖਰਚ ਨਹੀਂ ਕਰਦੀਆਂ, ਜਦੋਂ ਕਿ ਖੋਜੀਆਂ ਘਟਨਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ।
ਮਹਿੰਗਾ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੂੰ ਨਵਾਂ ਅਤੇ ਅਨੁਕੂਲਿਤ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ. ਪੁਸ਼ਟੀ ਕੀਤੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਯੋਗਤਾ ਪੈਦਾ ਕਰਕੇ, ਖੇਡ ਦਾ ਅਰਥ ਸ਼ਾਸਤਰ ਅੰਤ ਵਿੱਚ ਡਿਫੈਂਡਰਾਂ ਦੇ ਹੱਕ ਵਿੱਚ ਬਦਲ ਗਿਆ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਵੱਖਰਾ ਫਾਇਦਾ ਦਿੰਦਾ ਹੈ।

ਈਟੀਏ 'ਤੇ ਆਧਾਰਿਤ ਨਿਊਰਲ ਕਨੈਕਸ਼ਨ ਸਿਸਟਮ ਦੀ ਬਹੁ-ਪੱਧਰੀ ਸਿਖਲਾਈ

ਗਲੋਬਲ ਜੋਖਮ ਦਾ ਨਕਸ਼ਾ

ਗਲੋਬਲ ਜੋਖਮ ਦਾ ਨਕਸ਼ਾ ਉਦਯੋਗ ਵਿੱਚ ਆਪਣੀ ਕਿਸਮ ਦੇ ਸਭ ਤੋਂ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਲਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤੇ ਗਏ ਵਿਸ਼ਲੇਸ਼ਣ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਹ ਇੰਟਰਨੈੱਟ 'ਤੇ ਸਰਵਰਾਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਵਿਵਹਾਰ ਸੰਬੰਧੀ ਵਿਆਪਕ ਅੰਕੜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਭਾਵੇਂ ਉਹ ਅਣਜਾਣ ਹੋਣ। ਅਜਿਹੇ ਸਰਵਰ ਹਮਲਿਆਂ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਹਮਲੇ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਸ਼ਾਮਲ ਜਾਂ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਇਹ "ਬਲੈਕਲਿਸਟ" ਨਹੀਂ ਹੈ, ਪਰ ਸੁਰੱਖਿਆ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਪ੍ਰਸ਼ਨ ਵਿੱਚ ਸਰਵਰ ਦੀ ਇੱਕ ਵਿਆਪਕ ਤਸਵੀਰ ਹੈ। ਇਹਨਾਂ ਸਰਵਰਾਂ ਦੀ ਗਤੀਵਿਧੀ ਬਾਰੇ ਇਹ ਪ੍ਰਸੰਗਿਕ ਜਾਣਕਾਰੀ ਸਟੀਲਥਵਾਚ ਦੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਡਿਟੈਕਟਰਾਂ ਅਤੇ ਵਰਗੀਕਰਣਾਂ ਨੂੰ ਅਜਿਹੇ ਸਰਵਰਾਂ ਨਾਲ ਸੰਚਾਰ ਨਾਲ ਜੁੜੇ ਜੋਖਮ ਦੇ ਪੱਧਰ ਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ਤੁਸੀਂ ਉਪਲਬਧ ਕਾਰਡ ਦੇਖ ਸਕਦੇ ਹੋ ਇੱਥੇ.

ਵਿਸ਼ਵ ਨਕਸ਼ਾ 460 ਮਿਲੀਅਨ IP ਪਤੇ ਦਿਖਾ ਰਿਹਾ ਹੈ

ਹੁਣ ਨੈੱਟਵਰਕ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡੇ ਨੈੱਟਵਰਕ ਦੀ ਰੱਖਿਆ ਲਈ ਖੜ੍ਹਾ ਹੁੰਦਾ ਹੈ।

ਅੰਤ ਵਿੱਚ, ਇੱਕ ਰਾਮਬਾਣ ਲੱਭਿਆ ਗਿਆ ਹੈ?

ਬਦਕਿਸਮਤੀ ਨਾਲ, ਕੋਈ ਵੀ. ਸਿਸਟਮ ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਤਜ਼ਰਬੇ ਤੋਂ, ਮੈਂ ਕਹਿ ਸਕਦਾ ਹਾਂ ਕਿ 2 ਗਲੋਬਲ ਸਮੱਸਿਆਵਾਂ ਹਨ.

ਸਮੱਸਿਆ 1. ਕੀਮਤ। ਸਾਰਾ ਨੈੱਟਵਰਕ ਸਿਸਕੋ ਸਿਸਟਮ 'ਤੇ ਤੈਨਾਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਹ ਚੰਗਾ ਅਤੇ ਮਾੜਾ ਦੋਵੇਂ ਹੈ। ਚੰਗਾ ਪੱਖ ਇਹ ਹੈ ਕਿ ਤੁਹਾਨੂੰ D-Link, MikroTik, ਆਦਿ ਵਰਗੇ ਪਲੱਗਾਂ ਦੇ ਝੁੰਡ ਨੂੰ ਪਰੇਸ਼ਾਨ ਕਰਨ ਅਤੇ ਇੰਸਟਾਲ ਕਰਨ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਨਨੁਕਸਾਨ ਸਿਸਟਮ ਦੀ ਵੱਡੀ ਲਾਗਤ ਹੈ. ਰੂਸੀ ਕਾਰੋਬਾਰ ਦੀ ਆਰਥਿਕ ਸਥਿਤੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਮੌਜੂਦਾ ਸਮੇਂ ਵਿੱਚ ਸਿਰਫ ਇੱਕ ਵੱਡੀ ਕੰਪਨੀ ਜਾਂ ਬੈਂਕ ਦਾ ਇੱਕ ਅਮੀਰ ਮਾਲਕ ਹੀ ਇਸ ਚਮਤਕਾਰ ਨੂੰ ਬਰਦਾਸ਼ਤ ਕਰ ਸਕਦਾ ਹੈ.

ਸਮੱਸਿਆ 2: ਸਿਖਲਾਈ। ਮੈਂ ਲੇਖ ਵਿੱਚ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਸਿਖਲਾਈ ਦੀ ਮਿਆਦ ਨਹੀਂ ਲਿਖੀ, ਪਰ ਇਸ ਲਈ ਨਹੀਂ ਕਿ ਇਹ ਮੌਜੂਦ ਨਹੀਂ ਹੈ, ਪਰ ਕਿਉਂਕਿ ਇਹ ਹਰ ਸਮੇਂ ਸਿੱਖ ਰਿਹਾ ਹੈ ਅਤੇ ਅਸੀਂ ਇਹ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਗਾ ਸਕਦੇ ਕਿ ਇਹ ਕਦੋਂ ਸਿੱਖੇਗਾ। ਬੇਸ਼ੱਕ, ਗਣਿਤਿਕ ਅੰਕੜਿਆਂ ਦੇ ਟੂਲ ਹਨ (ਪੀਅਰਸਨ ਕਨਵਰਜੈਂਸ ਮਾਪਦੰਡ ਦੇ ਸਮਾਨ ਫਾਰਮੂਲੇ ਨੂੰ ਲਓ), ਪਰ ਇਹ ਅੱਧੇ ਮਾਪ ਹਨ। ਸਾਨੂੰ ਟ੍ਰੈਫਿਕ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਮਿਲਦੀ ਹੈ, ਅਤੇ ਫਿਰ ਵੀ ਸਿਰਫ ਇਸ ਸ਼ਰਤ ਦੇ ਅਧੀਨ ਕਿ ਹਮਲਾ ਪਹਿਲਾਂ ਹੀ ਮੁਹਾਰਤ ਅਤੇ ਜਾਣਿਆ ਗਿਆ ਹੈ.

ਇਹਨਾਂ 2 ਸਮੱਸਿਆਵਾਂ ਦੇ ਬਾਵਜੂਦ, ਅਸੀਂ ਆਮ ਤੌਰ 'ਤੇ ਸੂਚਨਾ ਸੁਰੱਖਿਆ ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਨੈੱਟਵਰਕ ਸੁਰੱਖਿਆ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਛਾਲ ਮਾਰੀ ਹੈ। ਇਹ ਤੱਥ ਨੈਟਵਰਕ ਤਕਨਾਲੋਜੀਆਂ ਅਤੇ ਨਿਊਰਲ ਨੈਟਵਰਕਾਂ ਦੇ ਅਧਿਐਨ ਲਈ ਪ੍ਰੇਰਿਤ ਹੋ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਹੁਣ ਇੱਕ ਬਹੁਤ ਹੀ ਵਧੀਆ ਦਿਸ਼ਾ ਹਨ.

ਸਰੋਤ: www.habr.com