عنوان

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

Number

T29262

.Language of Text, Soundtrack etc

انگلیسی

Title Proper

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

General Material Designation

Dissertation

First Statement of Responsibility

Sufyan Jabbar Ahmed Al-Ezzi

Name of Publisher, Distributor, etc.

Mathematics and Statistics and Computer Science

Date of Publication, Distribution, etc.

1402

Specific Material Designation and Extent of Item

79p.

Other Physical Details

cd

Dissertation or thesis details and type of degree

M.S.

Discipline of degree

Computer Science

Date of degree

1402/06/29

Text of Note

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.

Text of Note

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.

Variant Title

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

Subject Term

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

Subject Term

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

Entry Element

Jabbar Ahmed Al-Ezzi,

Part of Name Other than Entry Element

Sufyan

Relator Code

Producer

Entry Element

Izadkhah,

Entry Element

Karimpur,

Part of Name Other than Entry Element

Habib

Part of Name Other than Entry Element

Jaber

Relator Code

Thesis advisor

Relator Code

Consulting advisor

Entry Element

Tabriz

Country

ایران

Agency

Central library of Tabriz University

Date of Transaction

20231011

Call Number

ارشد پایاننامه QA76.J3 1402

Electronic name

Sufyan Jabbar Ahmed Al-Ezzi

Contact for access assistance

عبادی

e

TL

276903

a

Y