Mehrnoosh Monshizadeh

Tutkimustuotoksia vuodessa

Jos olet muokannut tietoja Puressa, ne näkyvät pian tässä.

Koulutus / tieteellinen pätevyys

Tekn. toht., tietoliikennetekniikka

Myöntöpäivä: 29 toukok. 2023

Sormenjälki

Sukella tutkimusaiheisiin, joissa Mehrnoosh Monshizadeh on aktiivinen. Nämä aihemerkinnät ovat peräisin tämän henkilön teoksista. Yhdessä ne muodostavat ainutlaatuisen sormenjäljen.

1 Samanlaiset profiilit

10 Conference contribution
4 Chapter
4 Article
3 Patent
Lisää
- 1 Doctoral Thesis

A Deep Intrusion Detection Model for Network Traffic Payload Analysis
Hojjatinia, S., Monshizadeh, M. & Khatri, V., 2023, 2023 31st International Conference on Software, Telecommunications and Computer Networks, SoftCOM 2023. Begusic, D., Rozic, N., Radic, J. & Saric, M. (toim.). IEEE, 7 Sivumäärä (2023 31st International Conference on Software, Telecommunications and Computer Networks, SoftCOM 2023).
Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussa › Conference contribution › Scientific › vertaisarvioitu
Machine Learning Techniques to Detect Known and Novel Cyber-attacks
Julkaisun otsikon käännös: Machine Learning Techniques to Detect Known and Novel Cyber-attacksMonshizadeh, M., 2023, Aalto University. 181 Sivumäärä
Tutkimustuotos: Doctoral Thesis › Collection of Articles

Open access
A deep density based and self-determining clustering approach to label unknown traffic
Monshizadeh, M., Khatri, V., Kantola, R. & Yan, Z., marrask. 2022, julkaisussa: Journal of Network and Computer Applications. 207, 18 Sivumäärä, 103513.
Tutkimustuotos: Lehtiartikkeli › Article › Scientific › vertaisarvioitu

Open access
Tiedosto
6 Sitaatiot (Scopus)

33 Lataukset (Pure)
Ethernet Communication over IP Transport for Industrial and Private Cellular Network
Khatri, V., Monshizadeh, M. & Tiirikainen, K., 2022, 2022 30th International Conference on Software, Telecommunications and Computer Networks, SoftCOM 2022. Begusic, D., Rozic, N., Radic, J. & Saric, M. (toim.). IEEE, (SoftCOM).
Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussa › Conference contribution › Scientific › vertaisarvioitu
Improving Data Generalization with Variational Autoencoders for Network Traffic Anomaly Detection
Monshizadeh, M., Khatri, V., Gamdou, M., Kantola, R. & Yan, Z., 2021, julkaisussa: IEEE Access. 9, s. 56893-56907 15 Sivumäärä, 9399440.
Tutkimustuotos: Lehtiartikkeli › Article › Scientific › vertaisarvioitu

Open access
Tiedosto
9 Sitaatiot (Scopus)

192 Lataukset (Pure)

Researchers from Nokia Bell Laboratories Detail New Studies and Findings in the Area of Electronics (A Deep Density Based and Self-determining Clustering Approach To Label Unknown Traffic)
Mehrnoosh Monshizadeh
18/11/2022
1 kohde/ Medianäkyvyys
Lehdistö/media: Esiintyminen mediassa

Mehrnoosh Monshizadeh

Henkilökohtainen profiili

Koulutus / tieteellinen pätevyys

Sormenjälki

Yhteistyöt ja huippututkimusalueet viimeisiltä viideltä vuodelta

Sukella yksityiskohtiin

A Deep Intrusion Detection Model for Network Traffic Payload Analysis

Machine Learning Techniques to Detect Known and Novel Cyber-attacks

A deep density based and self-determining clustering approach to label unknown traffic

Ethernet Communication over IP Transport for Industrial and Private Cellular Network

Improving Data Generalization with Variational Autoencoders for Network Traffic Anomaly Detection

Researchers from Nokia Bell Laboratories Detail New Studies and Findings in the Area of Electronics (A Deep Density Based and Self-determining Clustering Approach To Label Unknown Traffic)

Mehrnoosh Monshizadeh

Henkilökohtainen profiili

Koulutus / tieteellinen pätevyys

Sormenjälki

Yhteistyöt ja huippututkimusalueet viimeisiltä viideltä vuodelta

Tutkimustuotos

A Deep Intrusion Detection Model for Network Traffic Payload Analysis

Machine Learning Techniques to Detect Known and Novel Cyber-attacks

A deep density based and self-determining clustering approach to label unknown traffic

Ethernet Communication over IP Transport for Industrial and Private Cellular Network

Improving Data Generalization with Variational Autoencoders for Network Traffic Anomaly Detection

Lehtileikkeet

Researchers from Nokia Bell Laboratories Detail New Studies and Findings in the Area of Electronics (A Deep Density Based and Self-determining Clustering Approach To Label Unknown Traffic)