引導式測驗 · 中等 等級
網路入侵偵測中的人工智慧測驗
檢查簽章和異常偵測、監督標籤、自動編碼器重建錯誤、流量特徵和人工審核。
問題 1 的 8
在以前未見過的行為出現時,基於異常的 AI 能為簽名匹配添加什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 在以前未見過的行為出現時,基於異常的 AI 能為簽名匹配添加什麼?
- 它可以標記與已學習的正常流量偏差的異常,供調查使用,而不保證能偵測到每一次新攻擊。
- 它可以證明偏差是惡意的而不需要審查。
- 它可以識別每位攻擊者的姓名。
- 它可以取代所有安全監控。
- 基於異常的偵測通常如何識別威脅?
- 透過匹配已知病毒特徵的資料庫
- 透過學習正常行為並標記偏離行為
- 透過阻止所有加密流量
- 透過要求用戶確認每個連接
- 自動編碼器如何協助偵測異常網路流量?
- 為了安全起見,它對流量進行加密
- 它會自動刪除可疑資料包
- 新交通號誌的高重建誤差顯示異常
- 它統計線上用戶數
- 人工智慧入侵偵測系統面臨的主要實際挑戰是什麼?
- 網路太安靜而無法監控
- 缺乏任何網路流量可供分析
- 攻擊太容易寫簽名
- 誤報過多導致警覺疲勞
- 為什麼訓練入侵偵測模型時要注意類別不平衡?
- 因為與正常流量相比,攻擊很少見
- 因為使用者類別太多
- 因為網路頻寬不均
- 因為所有流量都是惡意的
- 以下是傳統的基於簽章的入侵偵測工具的範例?
- Photoshop
- 鼻息
- Excel
- 阿爾法折疊
- 在指南中,監督式入侵分類與異常檢測的主要區別是什麼?
- 監督式模型不使用標籤。
- 偵測異常需要為每種攻擊類型標記
- 監督式模型從標記的攻擊範例中學習;異常模型則可學習正常流量基線
- 兩種方法僅檢查封包有效負載文字
- 哪些流量資訊可作為入侵偵測器的模型特徵?
- 僅使用使用者的密碼
- 僅使用最終警示顏色
- 模型的 GPU 溫度
- 封包大小、連線時長、協定與流量統計資料