NATIONAL BIBLIOGRAPHY NUMBER
Number
T27168
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
انگلیسی
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
Proposing a method based on Machine Learning to detect anomalies in Wireless Sensor networks
General Material Designation
Dissertation
First Statement of Responsibility
Payam Jamal Malak Ali
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
Mathematics, Statistics and Computer Science
Date of Publication, Distribution, etc.
1401
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
55p.
Other Physical Details
cd
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
M.S.
Discipline of degree
Computer Science - Theory of Systems
Date of degree
1401/06/09
SUMMARY OR ABSTRACT
Text of Note
Each wireless sensor network (WSN) consists of a large number of sensor nodes which are distributed in an environment and can measure environmental features such as light, temperature, and humidity. Wireless sensor nodes have limitations in processing power, energy and bandwidth. These limitations expose sensor networks to risk. It is also important to detect anomalies in wireless sensors as they are very important and affect the accuracy of data in wireless sensor networks. The main challenge to detect the abnormality is the large volume of data. Therefore, any security method used for anomaly detection in a network must have high accuracy and save on memory (storage). In this thesis, we studied anomaly detection in a wireless sensor network with different machine learning methods. The results show that the K-means algorithm outperforms other methods. It should be noted that the dataset used to evaluate distributed models were collected at the University of Calabria, Italy
Text of Note
هر شبکە حسگر بی‌سیم (WSN) از تعداد زیادی گرە حسگر تشکیل می‌شود کە در یک محیط پراکندە شدە و داده های مختلفی را از جنبەهای محیطی مانند نور، دما و رطوبت نشان می دهند. گرەهای حسگر بی‌سیم در توان پردازشی، انرژی و پهنای باند دارای محدودیت هایی هستند. این محدودیت ها، شبکەهای حسگر را در برابر حملات مختلفی در معرض خطر قرار می‌دهند. همچنین تشخیص ناهنجاری در شبکەهای حسگر بی‌سیم از اهمیت زیادی برخوردار است، زیرا ناهنجاری بسیار مهم بوده و بر روی صحت دیتا در شبکە های حسگر بی‌سیم تاثیر می گذارد. چالش اساسی برای تشخیص ناهنجاری هم، حجم زیاد داده است. بنابراین، هر روش امنیتی برای تشخیص ناهنجاری دریک شبکە باید از دقت بالایی برخوردار بودە و در مصرف حافظە صرفه جویی کند.در این پایان نامە، تشخیص ناهنجاری در یک شبکەی حسگر بی‌سیم با استفادە از روش های مختلف یادگیری ماشین ارائە می‌شود. اما درنهایت نتیجه این چنین حاصل شد کە الگوریتم K-means بهترین تشخیص را نسبت به روش های دیگر داده است. لازم به ذکر است که مجموعە داده های مورد استفادە برای ارزیابی مدل توزیع شدە، در دانشگاه کالابریا ی ایتالیا جمع‌آوری شدە است.
OTHER VARIANT TITLES
Variant Title
ارائه یک روش مبتنی بر یادگیری ماشین جهت تشخیص ناهنجاری ها در شبکه های حسگر بی سیم
UNCONTROLLED SUBJECT TERMS
Subject Term
Machine Learning, Wireless Sensor Network, Anomalies, Anomaly Detection
Subject Term
یادگیری ماشین، تشخیص ناهنجاری، شبکه های حسگر بی سیم، ناهنجاری ها.
PERSONAL NAME - PRIMARY RESPONSIBILITY
Entry Element
Jamal Malak Ali,
Part of Name Other than Entry Element
Payam
Relator Code
Producer
PERSONAL NAME - SECONDARY RESPONSIBILITY
Entry Element
Karimpour,
Entry Element
Razmara,
Part of Name Other than Entry Element
Jaber
Part of Name Other than Entry Element
Jafar
Relator Code
Thesis advisor
Relator Code
Consulting advisor
CORPORATE BODY NAME - SECONDARY RESPONSIBILITY
Entry Element
Tabriz
ORIGINATING SOURCE
Country
ایران
Agency
Central Library of Tabriz
Date of Transaction
20221012
LOCATION AND CALL NUMBER
Call Number
ارشد پایاننامه QA76.J3 1401
ELECTRONIC LOCATION AND ACCESS
Electronic name
Payam Jamal Malak Ali
Contact for access assistance
عبادی
e
TL
276903
a
Y
