عنوان

Intrusion Detection in Internet of Things (IoT) using Ensemble of Deep Belief Networks

شماره

T29262

زبان متن نوشتاري يا گفتاري و مانند آن

انگلیسی

عنوان اصلي

Intrusion Detection in Internet of Things (IoT) using Ensemble of Deep Belief Networks

نام عام مواد

Dissertation

نام نخستين پديدآور

Sufyan Jabbar Ahmed Al-Ezzi

نام ناشر، پخش کننده و غيره

Mathematics and Statistics and Computer Science

تاریخ نشرو بخش و غیره

1402

نام خاص و کميت اثر

79p.

ساير جزييات

cd

جزئيات پايان نامه و نوع درجه آن

M.S.

نظم درجات

Computer Science

زمان اعطا مدرک

1402/06/29

متن يادداشت

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.

متن يادداشت

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.

عنوان گونه گون

تشخیص نفوذ در اینترنت اشیاء (IoT) با استفاده از تجميع شبکه‌های عمیق باور

اصطلاح موضوعی

Intrusion Detection System, Collective Learning, Deep Belief Network, Optimization Algorithm

اصطلاح موضوعی

سیستم تشخیص نفوذ، یادگیری تجمیعی، شبکه عمیق باور، الگوریتم بهینه سازی.

عنصر شناسه اي

Jabbar Ahmed Al-Ezzi,

ساير عناصر نام

Sufyan

کد نقش

Producer

عنصر شناسه اي

Izadkhah,

عنصر شناسه اي

Karimpur,

ساير عناصر نام

Habib

ساير عناصر نام

Jaber

کد نقش

Thesis advisor

کد نقش

Consulting advisor

عنصر شناسه اي

Tabriz

کشور

ایران

سازمان

Central library of Tabriz University

تاريخ عمليات

20231011

شماره بازیابی

ارشد پایاننامه QA76.J3 1402

نام الکترونيکي

Sufyan Jabbar Ahmed Al-Ezzi

ارتباط براي تسهيلات دسترسي

عبادی

فرمت انتشار

e

نوع ماده

TL

کد کاربرگه

276903

سطح دسترسي

a

تكميل شده

Y