PulseAugur
中
实时 05:56:47
English(EN) Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework

AI框架增强美国关键基础设施网络风险分析能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的框架，用于评估美国关键基础设施的网络风险和模型可靠性。该框架利用XGBoost、Random Forest和Decision Tree等机器学习分类器来检测网络入侵和预测网络风险水平。通过整合可解释人工智能（XAI）技术，该系统旨在提高能源、医疗保健和交通等行业的网络安全决策过程的透明度和可信度。 AI

影响 通过提高入侵检测和风险预测的透明度，增强了关键基础设施的网络安全。

排序理由 该集群包含一篇学术论文，详细介绍了用于网络安全风险评估的新型人工智能驱动框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · B. M. Taslimul Haque, Md. Arifur Rahman, Md. Serajul Kabir Chowdhury Rubel, Md. Iqbal Hossan ·

    面向美国关键基础设施智能治理的可解释人工智能驱动的网络风险分析与模型可靠性评估：基于XGBoost和SHAP的入侵检测框架

    arXiv:2606.05710v1 Announce Type: cross Abstract: The increasing penetrations of the critical infrastructure sector in the United States with intelligent digital technologies have greatly increased exposure to advanced cyber adversaries and operational vulnerabilities. AI-powered…

相关实体

相关话题