Graph Neural Network-Based Detection and Attribution of Advanced Persistent Threats
Lingua: inglese
Editore: Nala Kala, 2026
- Brossura
- Nuovo
Da: AHA-BUCH GmbH, Einbeck, GermaniaAHA-BUCH GmbH
Venditore AbeBooks dal 14 agosto 2006
Condizione: Nuovo
EUR 43,88
Quantità: 2 disponibili
Aggiungi al carrelloDescrizione dell’articolo da parte del venditore
nach der Bestellung gedruckt Neuware - Printed after ordering - Advanced Persistent Threats (APTs) represent a significant cybersecurity challenge because they are typically characterized by prolonged, targeted, and coordinated activities across multiple stages of a cyberattack. Graph Neural Network-Based Detection and Attribution of Advanced Persistent Threats provides a focused technical examination of APT detection, attack attribution, graph-based cybersecurity analysis, graph neural networks, machine learning, and intelligent threat analysis. The book connects network security, artificial intelligence, graph representation learning, cyber threat intelligence, and anomaly detection within an integrated framework.The book introduces the fundamental characteristics of advanced persistent threats and examines the challenges involved in identifying sophisticated malicious activity within complex digital environments. APT campaigns can involve multiple hosts, accounts, processes, network connections, and attack stages, making it difficult to detect malicious behavior using isolated event analysis. Representing relationships between entities as graphs provides an alternative perspective for analyzing these interconnected activities.A central focus is placed on graph neural networks (GNNs) as machine learning models for cybersecurity analysis. Graph neural networks can learn representations from nodes, edges, and their surrounding neighborhoods, allowing relationships between entities to contribute to predictive analysis. The book examines general concepts associated with graph construction, node and edge representation, graph embeddings, message passing, model training, classification, and threat detection.The text further explores the detection of APT activity through graph-based representations. Security events can be modeled as relationships among users, devices, processes, IP addresses, domains, files, and other entities. Such representations can help capture behavioral and structural relationships that may be difficult to identify when analyzing individual events independently.APT attribution is examined as a related but distinct cybersecurity problem. Detection seeks to determine whether activity may be malicious, while attribution attempts to associate observed activity with a particular threat source, campaign, or behavioral profile. The book discusses attribution from a technical and analytical perspective, emphasizing evidence-based classification rather than assuming that attribution can always be determined with certainty.The book also considers feature learning in graph-based security systems. Traditional cybersecurity models often depend on manually engineered features, whereas graph neural networks can learn representations directly from graph structures and associated information. This can support analysis of complex relationships between entities and security events while reducing reliance on manually defined relational features.…
Codice articolo 9798240844669
- Titolo
- Graph Neural Network-Based Detection and Attribution of Advanced Persistent Threats
- Autore
- Shon Kon
- Editore
- Nala Kala
- Anno di pubblicazione
- 2026
- Condizione
- Neu
- Rilegatura
- Taschenbuch
- Lingua
- inglese
- ISBN 13
- 9798240844669
- Peso dell'articolo
- 209 grammi
- Dimensioni
- 229x152x8 mm
Advanced Persistent Threats (APTs) represent a significant cybersecurity challenge because they are typically characterized by prolonged, targeted, and coordinated activities across multiple stages of a cyberattack. Graph Neural Network-Based Detection and Attribution of Advanced Persistent Threats provides a focused technical examination of APT detection, attack attribution, graph-based cybersecurity analysis, graph neural networks, machine learning, and intelligent threat analysis. The book connects network security, artificial intelligence, graph representation learning, cyber threat intelligence, and anomaly detection within an integrated framework.
The book introduces the fundamental characteristics of advanced persistent threats and examines the challenges involved in identifying sophisticated malicious activity within complex digital environments. APT campaigns can involve multiple hosts, accounts, processes, network connections, and attack stages, making it difficult to detect malicious behavior using isolated event analysis. Representing relationships between entities as graphs provides an alternative perspective for analyzing these interconnected activities.
A central focus is placed on graph neural networks (GNNs) as machine learning models for cybersecurity analysis. Graph neural networks can learn representations from nodes, edges, and their surrounding neighborhoods, allowing relationships between entities to contribute to predictive analysis. The book examines general concepts associated with graph construction, node and edge representation, graph embeddings, message passing, model training, classification, and threat detection.
The text further explores the detection of APT activity through graph-based representations. Security events can be modeled as relationships among users, devices, processes, IP addresses, domains, files, and other entities. Such representations can help capture behavioral and structural relationships that may be difficult to identify when analyzing individual events independently.
APT attribution is examined as a related but distinct cybersecurity problem. Detection seeks to determine whether activity may be malicious, while attribution attempts to associate observed activity with a particular threat source, campaign, or behavioral profile. The book discusses attribution from a technical and analytical perspective, emphasizing evidence-based classification rather than assuming that attribution can always be determined with certainty.
The book also considers feature learning in graph-based security systems. Traditional cybersecurity models often depend on manually engineered features, whereas graph neural networks can learn representations directly from graph structures and associated information. This can support analysis of complex relationships between entities and security events while reducing reliance on manually defined relational features.
"Riassunto" può appartenere a un’altra edizione di questo titolo.
AHA-BUCH GmbH
Einbeck, Germania
Venditore AbeBooks dal 14 agosto 2006
Tariffe di spedizione da Germania a U.S.A.
| Articolo | Da 7 a 10 giorni lavorativi | Da 5 a 7 giorni lavorativi |
|---|---|---|
| Primo articolo | EUR 35,00 | EUR 45,00 |
Metodi di pagamento
- Assegno
- Bonifico bancario
- PayPal
Descrizione dello Store
Das Unternehmen AHA-BUCH GmbH: Seit der Gründung von AHA-BUCH im Juli 2005 ist unser Hauptziel, zufriedenen Kunden so schnell und so preisgünstig wie möglich ihren Bücherwunsch zu erfüllen. Unsere Firma beschäftigt 16 Mitarbeiter, die nur ein Ziel kennen: den Kunden und seine Wünsche! Auf über 3700 m2 Fläche haben wir über 100.000 Bücher, Modernes Antiquariat und Spiele auf Lager.
Specializzazione
Kinderbücher & Kinderhör Casetten, German Books, Software, Natur & Tiere, Ratgeber, Sachbücher, Englische Bücher, Medizin & Gesundheit, Universität & StudiumInformazioni sull’azienda del venditore
AHA-BUCH GmbH
Garlebsen 48
Einbeck, Germania 37574
Condizioni di vendita
Imprimere
Informazioni sul venditore:
AHA-BUCH GmbH
rappresentata dall'amministratore delegato Christel Glass
Garlebsen 48
37574 Einbeck
Germania
Telefono: 055639996039
Fax: 055639995974
E-Mail: abebooks@aha-buch.de
USt-IdNr.: DE261904229
registrato presso Registro delle imprese Amtsgerichtes Göttingen
Handelsregisternummer HRB 200691
Risoluzione alternativa delle controversie:
La Commissione europea fornisce una piattaforma per la risoluzione extragiudiziale delle controversie online (piattaforma ODR), accessibile nell'ambito di https://ec.europa.eu/odr.
Siamo membri dell'iniziativa "FairCommerce" dal 25.05.2018.
Per ulteriori informazioni, vedere www.fair-commerce.de.
Diritto di recesso
Se sei un consumatore puoi recedere dal contratto in conformità con quanto segue. Per Consumatore si intende qualsiasi persona fisica che agisce per scopi estranei alla propria attività commerciale, imprenditoriale, artigianale o professionale.
Informazioni sul diritto di recesso
Diritto legale di recesso
Hai il diritto di recedere dal presente contratto entro 14 giorni senza fornire alcuna motivazione.
Il periodo di recesso scade dopo 14 giorni dal giorno in cui tu o una terza parte, diversa dal vettore e da te indicata, acquisisce il possesso fisico dell'ultimo bene o dell'ultimo lotto o pezzo.
Per esercitare il diritto di recesso, compila e invia elettronicamente una dichiarazione esplicita sul nostro sito Web, alla voce “I miei acquisti” nella sezione “Mio account”. Ti comunicheremo senza indugio una conferma di ricezione di tale recesso su un supporto durevole (ad es. via e-mail).
Per rispettare il termine di recesso, è sufficiente inviare la comunicazione relativa all'esercizio del diritto di recesso prima della scadenza del periodo di recesso stesso.
Effetti del recesso
In caso di recesso dal presente contratto, ti rimborseremo tutti i pagamenti ricevuti, compresi i costi di spedizione (ad eccezione dei costi supplementari derivanti dalla tua eventuale scelta di un tipo di spedizione diverso dal tipo meno costoso di consegna standard da noi offerto).
Potremo effettuare una detrazione dal rimborso per la perdita di valore dei beni forniti, qualora tale perdita sia il risultato di una manipolazione non necessaria da parte tua.
Eseguiremo il rimborso senza indebito ritardo e non oltre 14 giorni dal giorno in cui saremo informati della tua decisione di recedere dal presente contratto.
Il rimborso sarà effettuato utilizzando lo stesso mezzo di pagamento da te usato per la transazione iniziale, salvo che tu non abbia espressamente concordato altrimenti; in ogni caso, non dovrai sostenere alcun costo quale conseguenza di tale rimborso.
Possiamo trattenere il rimborso finché non avremo ricevuto i beni oppure finché non avrai fornito la prova di averli rispediti, a seconda di quale condizione si verifichi per prima.
Dovrai rispedire i beni o consegnarli a AHA-BUCH GmbH, Einbeck, Germany, senza indebito ritardo e, in ogni caso, entro 14 giorni dal giorno in cui ci hai comunicato la tua volontà di recedere dal presente contratto. Il termine è rispettato se rispedisci i beni prima della scadenza del periodo di 14 giorni. I costi diretti della restituzione dei beni saranno a tuo carico. Sei responsabile solo della diminuzione del valore dei beni risultante da una manipolazione diversa da quella necessaria per stabilire la natura, le caratteristiche e il funzionamento dei beni stessi.
Eccezioni al diritto di recesso
Il diritto di recesso non si applica a:
- La fornitura di giornali, periodici o riviste ad eccezione dei contratti di abbonamento; e
- La fornitura di contenuto digitale non fornito su un supporto materiale (ad es. su un CD o DVD), se al momento dell'invio dell'ordine hai accettato l'inizio dell'esecuzione e hai riconosciuto che non avresti potuto recedere una volta iniziata l'esecuzione.
Condizioni di spedizione
Spediamo il tuo ordine dopo averlo ricevuto
per articoli a portata di mano entro 24 ore,
per articoli con fornitura notturna entro 48 ore.
Nel caso in cui abbiamo bisogno di ordinare un articolo dal nostro fornitore, il nostro tempo di spedizione dipende dalla data di ricezione degli articoli, ma gli articoli verranno spediti lo stesso giorno.
Il nostro obiettivo è quello di inviare gli articoli ordinati nel modo più veloce, ma anche più efficiente e sicuro ai nostri clienti.