引导式测验 · 中等 等级

网络入侵检测中的人工智能测验

检查签名和异常检测、监督标签、自动编码器重建错误、流量特征和人工审核。

相关引导路径网络入侵检测中的人工智能
问题 1 的 8

What can anomaly-based AI add to signature matching when previously unseen behavior appears?

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. What can anomaly-based AI add to signature matching when previously unseen behavior appears?
    • It can flag deviations from learned normal traffic for investigation, without guaranteeing detection of every new attack
    • It can prove a deviation is malicious without review
    • It can identify every attacker by name
    • It can replace all security monitoring
  2. 基于异常的检测通常如何识别威胁？
    • 通过匹配已知病毒特征的数据库
    • 通过学习正常行为并标记偏离行为
    • 通过阻止所有加密流量
    • 通过要求用户确认每个连接
  3. 自动编码器如何帮助检测异常网络流量？
    • 为了安全起见，它对流量进行加密
    • 它会自动删除可疑数据包
    • 新交通信号的高重建误差表明异常
    • 它统计在线用户数
  4. 人工智能入侵检测系统面临的主要实际挑战是什么？
    • 网络太安静而无法监控
    • 缺乏任何网络流量可供分析
    • 攻击太容易编写签名
    • 误报过多导致警觉疲劳
  5. 为什么训练入侵检测模型时要关注类别不平衡？
    • 因为与正常流量相比，攻击很少见
    • 因为用户类别太多
    • 因为网络带宽不均
    • 因为所有流量都是恶意的
  6. 以下是传统的基于签名的入侵检测工具的示例？
    • Photoshop
    • 鼻息
    • Excel
    • 阿尔法折叠
  7. What is the main difference between supervised intrusion classification and anomaly detection in the guide?
    • Supervised models use no labels
    • Anomaly detection requires every attack type to be labeled
    • Supervised models learn from labeled attack examples; anomaly models can learn a normal-traffic baseline
    • Both methods only examine packet payload text
  8. Which traffic information can be used as model features in an intrusion detector?
    • Only the user’s password
    • Only the final alert color
    • The model’s GPU temperature
    • Packet sizes, connection durations, protocols and flow statistics