对
错
第1题:
基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。
第2题:
根据检测目标的不同,恶意代码的检测方法可以分为基于主机的检测和基于网络的检测。其中,()属于基于主机的检测方式。
第3题:
根据检测目标的不同,恶意代码的检测方法可以分为基于主机的检测和基于网络的检测。其中,()属于基于主机的检测方式。
第4题:
一个对象的离群点得分是该对象周围密度的逆。这是基于()的离群点定义。
第5题:
物联网环境中感知数据具有实时性、周期性与不确定性等特点。因此从感知数据的查询方法角度看,目前的处理方法有()。
第6题:
根据数据分析方法的不同,入侵检测可以分为两类()。
第7题:
需要先假设样本空间中所有数据服从某个分布或者数据模型,然后根据模型采用不一致校验识别离群点指的是()
第8题:
概率
邻近度
密度
聚类
第9题:
特殊点
观察点
离群点
目标点
第10题:
基于特征码的扫描技术
基于行为的检测
基于沙箱技术的检测
基于蜜罐的检测
第11题:
基于蜜罐检测
基于深度包检测
基于沙箱技术检测
基于区域的检测
第12题:
统计方法
邻近度
密度
聚类技术
第13题:
根据检测目标的不同,恶意代码的检测方法可以分为基于主机的检测和基于网络的检测。其中,()属于基于网络的检测方式。
第14题:
在检测前,样品尽量少用预处理,目的是()
第15题:
根据检测目标的不同,恶意代码的检测方法可以分为()。
第16题:
异常检测的任务是识别特征显著不同于其他数据的观测值,这种观测值被称为()。
第17题:
界址发生变化的宗地变更地籍测量中,界址点的检查方法一般有()。
第18题:
根据数据分析方法的不同,入侵检测系统可以分为()两类。
第19题:
JP聚类擅长处理噪声和离群点,并且能够处理不同大小、形状和密度的簇
JP算法对高维数据效果良好,尤其擅长发现强相关对象的紧致簇
JP聚类是基于SNN相似度的概念
JP聚类的基本时间复杂度为O(m)
第20题:
检查界址点与邻近界址点的距离
检查界址点与邻近地物点的距离
用检测数据与原勘丈数据检查
解析法检查界址点坐标
边界调整测量
第21题:
基于主机和基于网络
基于异常和基于误用
集中式和分布式
离线检测和在线检测
第22题:
基于主机的检测
基于网络的检测
基于宿主的检测
基于区域的检测
基于应用的检测
第23题:
对
错
第24题:
基于距离的办法
基于偏离的办法
基于统计分布的办法