
Yolo DLP
um sistema de prevenção de vazamento de dados de imagens baseado em aprendizado de máquinaBy Leandro AkuneLength2h 15m
About this audiobook
O avanço tecnológico colabora com o aumento do risco de perda de dados sensíveis de empresas e residências. Apesar da evolução e vasta disponibilidade de ferramentas de proteção, nos atuais sistemas de prevenção de vazamento de dados, como os Data Leak Prevent (DLP), a falta de flexibilidade, clareza e limitações funcionais dificultam a escolha. Existem diversas soluções comerciais que muitas vezes apresentam um alto custo de licenciamento, implantação, além de limitações de recursos de prevenção. O objetivo deste trabalho é validar a aplicação de uma rede neural na potencialização de um proxy DLP para impedir o envio não autorizado de dados sensíveis armazenados ou capturados por câmeras de vídeo. Neste trabalho é proposta uma arquitetura de DLP, que passa por treinamentos e pela implantação de uma ferramenta de reconhecimento de objetos em documentos de imagens e vídeos ? funcionalidade não presente nos DLP comerciais pesquisados. A partir de um experimento, com base nos índices de Verdadeiro Positivos, Falso Positivos e Verdadeiro Negativos, é possível observar a acurácia e a eficácia do uso de uma rede neural em um ambiente de DLP. E mostrar que tal integração protege com transparência sem ocultar limitações, e atende características de proteção que as principais soluções comerciais como Triton Websense, Check Point, Varonis e AirWatch não abordam.
Audiobook details
GenreTechnology
Length2 hrs 15 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateApr 25, 2022
LanguagePortuguese
Table of contents
1Introduction
264. PROPOSTA
21. INTRODUÇÃO
274.1 DEFINIÇÃO DA ARQUITETURA
31.1 MOTIVAÇÃO
284.1.1 Definição da topologia
41.2 OBJETIVO
294.1.2 Definição dos critérios
51.3 CONTRIBUIÇÕES
304.2 TRATAMENTO DE DADOS
Show all chaptersShow less
61.4 MÉTODO DE TRABALHO
314.2.1 Criação do banco de dados de hashes
71.5 ORGANIZAÇÃO DO TRABALHO
324.2.2 Treinamento da rede neural
82. REFERENCIAL TEÓRICO
334.3 FILTRAGEM DLP
92.1 CONCEITO DE DATA LEAK PROTECTION (DLP)
344.3.1 Gestão do banco de hashes
102.2 APRENDIZADO DE MÁQUINA E REDES NEURAIS
354.3.2 Classificação dos dados
112.3 PROCESSAMENTO DE IMAGEM E DETECÇÃO DE OBJETOS
364.4 MÓDULO RESULTADOS
122.4 OBSERVAÇÕES SOBRE A PRIVACIDADE
374.4.1 Função Permitir
133. TRABALHOS RELACIONADOS
384.4.2 Função Bloquear
143.1 DATA LEAK PREVENTION (DLP )
394.4.3 Função Quarentena
153.1.1 A survey on data leakage prevention systems
405.4 RESUMO DA PROPOSTA
163.1.2 Can Content-Based Data Loss Prevention Solutions Prevent Data Leakage in Web Traffic?
415. VALIDAÇÃO DA PROPOSTA
173.1.3 Rule-based system for data leak threat estimation
425.1 AMBIENTE DE VALIDAÇÃO
183.1.4 A Turkish language-based data leakage prevention system
435.1.1 Ambiente proxy Squid ICAP
193.1.5 Designing and developing a free Data Loss Prevention system
445.1.2 Ambiente YOLO
203.2 REDES NEURAIS E RECONHECIMENTO DE OBJETOS EM VÍDEO
455.2 TESTES DE VALIDAÇÃO: 5.2.1 Pré-treinamento YOLO PASCAL VOC
213.2.1 Rich feature hierarchies for accurate object detection and semantic segmentation
465.3 TREINAMENTO COM IMAGENS DE CARTÕES E CELULAR
223.2.2 You Only Look Once: Unified, Real-Time Object Detection
475.4 COLETA E ANÁLISE DOS RESULTADOS
233.2.3 An effective sign language learning with object detection-based ROI segmentation
485.5 CONSIDERAÇÕES
243.2.4 An Object Detection System Based on YOLO in Traffic Scene
496. CONCLUSÃO
253.3 SÍNTESE DAS COMPARAÇÕES