T29262
انگلیسی
Intrusion Detection in Internet of Things (IoT) using Ensemble of Deep Belief Networks
Dissertation
Sufyan Jabbar Ahmed Al-Ezzi
Mathematics and Statistics and Computer Science
1402
79p.
cd
M.S.
Computer Science
1402/06/29
With the rapid growth in development of the Internet of Things (IoT), the challenges associated with it have also increased. In addition, intrusion techniques have led to complex methods such as coordinated and distributed attacks. Attacks on IoT, are a combination of three important elements: active services, protocols used, and open ports. In such a situation, there is an urgent need for software tools that can automatically detect a wider range of intrusions. Intrusion Detection Systems (IDS), as network guards must be able to detect attacks and defend against it in real-time. Intrusion detection is the process of detecting attempts to gain unauthorized access to a network or reduce its efficiency. In a general classification, IDSs can be divided into centralized and distributed systems. In centralized systems, all components of the IDS work together on a single network medium. In this thesis, we will provide an ensemble distributed solution for detecting IoT intrusion using a set of Deep Belief Networks (DBNs) with different topologies. The optimal weight vector for each DBN is determined by optimization algorithms. The proposed method will be compared other methods in terms of sensitivity, specificity, and accuracy.
در این پایان نامه، یک سیستم تشخیص نفوذ با استفاده از ترکیب راهبردهای بهینه سازی و یادگیری تجمیعی ارائه شده است. روش پیشنهادی شامل چهار گام: «پیش¬ پردازش»، «انتخاب ویژگی»، «بهینه ¬سازی مدل¬های یادگیر» و «رأی¬گیری» می¬باشد. هدف از گام اول، آماده سازی اطلاعات خام ورودی برای بکارگیری در سیستم تشخیص نفوذ می¬باشد. در گام دوم، عمل انتخاب ویژگی با استفاده از ترکیب آنالیز واریانس یک ¬طرفه و الگوریتم انتخاب متوالی روبه¬جلو انجام می¬شود. سپس در گام سوم روش پیشنهادی، از ویژگی-های انتخاب شده برای بهینه¬سازی و آموزش سه مدل شبکه عصبی عمیق باور استفاده می¬شود. در روش پیشنهادی از الگوریتم جستجوی فاخته به منظور بهینه سازی ساختار شبکه عمیق باور استفاده شده است. بدین ترتیب، الگوریتم جستجوی فاخته دو وظیفه را بصورت همزمان برعهده خواهد داشت: «تعیین تووپولوژی بهینه شبکه» و «تعیین بردار وزنی بهینه برای نورون¬های و بایاس¬های شبکه». پس از بهینه¬سازی شبکه¬های عمیق باور، از این مدل¬های آموزش دیده برای تشخیص حملات جدید استفاده می¬شود. این عمل با استفاده از تکنیک رأی¬گیری صورت می¬پذیرد. کارایی روش پیشنهادی در تشخیص حملات مورد ارزیابی قرار گرفته و نتایج بدست آمده با سایر تکنیک¬های تشخیص حمله مقایسه شده است. براساس نتایج حاصل، روش پیشنهادی یک روش کارآمد برای تشخیص حملات در شبکه¬های کامپیوتری بوده و قادر به ارتقای دقت تشخیص انواع حملات می¬باشد.
تشخیص نفوذ در اینترنت اشیاء (IoT) با استفاده از تجميع شبکه‌های عمیق باور
Intrusion Detection System, Collective Learning, Deep Belief Network, Optimization Algorithm
سیستم تشخیص نفوذ، یادگیری تجمیعی، شبکه عمیق باور، الگوریتم بهینه سازی.
Jabbar Ahmed Al-Ezzi,
Sufyan
Producer
Izadkhah,
Karimpur,
Habib
Jaber
Thesis advisor
Consulting advisor
Tabriz
ایران
Central library of Tabriz University
20231011
ارشد پایاننامه QA76.J3 1402
Sufyan Jabbar Ahmed Al-Ezzi
عبادی
e
TL
276903
a
Y
