شماره کتابشناسی ملی
شماره
T28965
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
انگلیسی
عنوان و نام پديدآور
عنوان اصلي
5G IoT Intrusion Detection Using a Combination of Multi-Layer Perceptron Neural Network and Grasshopper Optimization Algorithm
نام عام مواد
Dissertation
نام نخستين پديدآور
Aqeel Hussein Hachim
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
Electrical and Computer Engineering
تاریخ نشرو بخش و غیره
1402
مشخصات ظاهری
نام خاص و کميت اثر
79p.
ساير جزييات
cd
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
M.S.
نظم درجات
computer engineering, majoring in software
زمان اعطا مدرک
1402/04/11
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
In recent years, the widespread use of 5G networks has led to a critical need for effective intrusion detection methods. Intrusion is a malicious attack on the 5G network and can seriously damage it and lead to the loss of sensitive data and even the collapse of the entire network. Therefore, in this thesis, a new intrusion detection method for 5G networks is proposed using multilayer perceptron neural network trained with grasshopper optimization algorithm and dimension reduction method of principal component analysis. The AWID dataset was used to evaluate this method and it was shown that the proposed method has achieved a very good performance in detecting hand penetration and has achieved a significant accuracy of 99.72% for the training dataset and 99.67% for the test dataset. This result shows the high efficiency of the proposed method in detecting intrusion attacks in 5G networks. The use of the principal component analysis method to reduce the dimensions of the complexity of the data set, and the use of the grasshopper optimization algorithm for multi-layer perceptron neural training, has improved the accuracy of the classification results. This new approach has provided a robust and reliable solution to detect intrusion attacks in 5G networks.
متن يادداشت
در سال های اخیر، استفاده گسترده از شبکه های 5G منجر به نیاز اساسی به روش های موثر تشخیص نفوذ شده است. Intrusion یک حمله مخرب به شبکه 5G است و می تواند آسیب جدی به آن وارد کند و منجر به از دست رفتن داده های حساس و حتی فروپاشی کل شبکه شود. بنابراین، در این پایان نامه، یک روش جدید تشخیص نفوذ برای شبکه های 5G با استفاده از شبکه عصبی پرسپترون چند لایه آموزش دیده با الگوریتم بهینه سازی ملخ و روش کاهش ابعاد تحلیل مولفه اصلی پیشنهاد شده است. برای ارزیابی این روش از مجموعه داده AWID استفاده شد و نشان داده شد که روش پیشنهادی عملکرد بسیار خوبی در تشخیص نفوذ دست به دست آورده است و دقت قابل توجهی 99.72 درصد برای مجموعه داده آموزشی و 99.67 درصد برای مجموعه داده آزمایشی به دست آورده است. این نتیجه کارایی بالای روش پیشنهادی را در تشخیص حملات نفوذ در شبکه های 5G نشان می دهد. استفاده از روش تحلیل مولفه اصلی برای کاهش ابعاد پیچیدگی مجموعه داده ها و استفاده از الگوریتم بهینه سازی ملخ برای آموزش عصبی پرسپترون چند لایه، دقت نتایج طبقه بندی را بهبود بخشیده است. این رویکرد جدید راه حلی قوی و قابل اعتماد برای شناسایی حملات نفوذ در شبکه های 5G ارائه کرده است.
عنوانهای گونه گون دیگر
عنوان گونه گون
تشخیص نفوذ اینترنت اشیاء 5G با استفاده از ترکیبی از شبکه عصبی پرسپترون و الگوریتم بهینه سازی ملخ (GOA)
اصطلاحهای موضوعی کنترل نشده
اصطلاح موضوعی
5G networks, Neural Network, grasshopper optimization Algorithm, intrusion.
اصطلاح موضوعی
شبکه های 5G، شبکه عصبی، الگوریتم بهینه سازی ملخ، نفوذ.
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
عنصر شناسه اي
Hachim,
ساير عناصر نام
Aqeel Hussein
کد نقش
Producer
نام شخص - ( مسئولیت معنوی درجه دوم )
عنصر شناسه اي
Salehpour,
عنصر شناسه اي
Pashazadeh,
ساير عناصر نام
Pedram
ساير عناصر نام
Saeid
کد نقش
Thesis advisor
کد نقش
Consulting advisor
شناسه افزوده (تنالگان)
عنصر شناسه اي
Tabriz
مبدا اصلی
کشور
ایران
سازمان
Central Library of Tabriz University
تاريخ عمليات
20230829
شماره دستیابی
شماره بازیابی
ارشد پایاننامه QA76.H3 1402
دسترسی و محل الکترونیکی
نام الکترونيکي
Aqeel Hussein Hachim
ارتباط براي تسهيلات دسترسي
عبادی
وضعیت انتشار
فرمت انتشار
e
اطلاعات رکورد کتابشناسی
نوع ماده
TL
کد کاربرگه
276903
اطلاعات دسترسی رکورد
سطح دسترسي
a
تكميل شده
Y
