عنوان

Intrusion Detection in Smart Power Grids Using Neural Network Improved with Cuckoo Algorithm

Number

T28743

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

Intrusion Detection in Smart Power Grids Using Neural Network Improved with Cuckoo Algorithm

General Material Designation

Dissertation

First Statement of Responsibility

Maher Abdulmahdi Faisal Alkoofee

Name of Publisher, Distributor, etc.

computer

Date of Publication, Distribution, etc.

1402

Specific Material Designation and Extent of Item

82P.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S

Discipline of degree

Computer

Date of degree

1402/03/17

Text of Note

The increased connectivity and communication between various components in the smart grid create more entry points for potential cyber-attacks. These attacks can range from simple power outages to more severe incidents, such as data theft or even physical damage to equipment. As such, utilities must remain vigilant in implementing robust cybersecurity measures to protect against intrusions and ensure the security of the smart grid. Therefore, a new approach using the NCA feature selection method and MLP with CSO training is proposed for intrusion detection in this thesis. In this regard, first the 41 features are extracted from the network traffic data. However, 41 features are too much input information and it might predispose the MLP to be overfitted. Thus, NCA feature selection is applied to the dataset in order to select the most relevant features and the final 20 features are selected from the dataset. These features are the final features that should be fed to the classifier. In this regard, the MLP classifier is adopted to detect intrusion quickly. MLP is a powerful classifier that can come up against nonlinear aspects of problems greatly. However, its training process suffers from some difficulties with complex problems. Hence a new training process using the CSO algorithm is proposed in this thesis. The performance of the suggested technique was then assessed using the NSL-KDD dataset. The findings show that the suggested strategy works as intended, with a classification accuracy of 99.1% for intrusion detection.

Text of Note

افزایش اتصال و ارتباط بین اجزای مختلف در شبکه هوشمند قدرت، نقاط ورودی بیشتری برای حملات سایبری احتمالی ایجاد می‌کند. این حملات می‌توانند از خاموش شدن ساده برق تا حوادث جدی‌تری مانند سرقت اطلاعات یا حتی آسیب جسمی به تجهیزات متفاوت باشند. به همین دلیل، شرکت‌های امنیتی باید مراقب باشند که اقدامات قوی امنیتی را برای مقابله با نفوذ‌ها اجرا کرده و امنیت شبکه هوشمند را تضمین کنند. بنابراین، در این پایان نامه یک رویکرد جدید با استفاده از روش انتخاب ویژگی NCA و شبکه عصبی چندلایه با آموزش الگوریتم CSO برای تشخیص نفوذ پیشنهاد می‌شود. در این راستا، ابتدا ۴۱ ویژگی از داده‌های ترافیک شبکه استخراج می‌شود. با این حال، ۴۱ ویژگی اطلاعات ورودی زیادی هستند و ممکن است باعث افراط در یادگیری MLP شوند. بنابراین، روش انتخاب ویژگی NCA بر روی مجموعه داده اعمال می‌شود تا ویژگی‌های مرتبط‌تر انتخاب شوند و ۲۰ ویژگی نهایی از مجموعه داده انتخاب می‌شوند. این ویژگی‌ها ویژگی‌های نهایی هستند که باید به طبقه‌بندی‌کننده وارد شوند. در این راستا، طبقه‌بند MLP برای تشخیص نفوذ به طور سریع به کار می‌رود. MLP یک طبقه‌بند قدرتمند است که می‌تواند با جنبه‌های غیرخطی مسائل بسیاری مقابله کند. با این حال، فرآیند آموزش آن با مشکلاتی در مسائل پیچیده روبرو می‌شود. بنابراین، در این پایان نامه یک فرآیند آموزش جدید با استفاده از الگوریتم CSO پیشنهاد شده است. عملکرد تکنیک پیشنهادی سپس با استفاده از مجموعه داده NSL-KDD ارزیابی شد. نتایج نشان می‌دهد که استراتژی پیشنهادی به خوبی عمل می‌کند و دقت طبقه‌بندی برای تشخیص نفوذ 99.1 درصد است.

Variant Title

تشخیص نفوذ در شبکه های برق هوشمند با استفاده از شبکه عصبی بهبود یافته با الگوریتم فاخته

Subject Term

Smart Power Grids, Neural Network, Cuckoo Algorithm, Accuracy, feature selection

Subject Term

شبکه قدرت هوشمند، شبکه عصبی، الگوریتم فاخته، دقت، انتخاب ویژگی.

Entry Element

Abdulmahdi Faisal Alkoofee,

Part of Name Other than Entry Element

Maher

Relator Code

Producer

Entry Element

Salehpour,

Entry Element

Zolfy Lighvan,

Part of Name Other than Entry Element

Pedram

Part of Name Other than Entry Element

Mina

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central Library of tabriz Univercity

Call Number

ارشد پایاننامه QA76.A2 1402

Electronic name

Maher Abdulmahdi Faisal Alkoofee

Contact for access assistance

احدی

e

TL

276903

a

Y