An Enhanced Deep Learning Approach For Iot Intrusion Detection /
Hany Mohamed Ahmed Mohamed,
An Enhanced Deep Learning Approach For Iot Intrusion Detection / نهج مُحْسَّن لاكتشاف اختراقات إنترنت الأشياء باستخدام التعلم العميق / By Hany Mohamed Ahmed Mohamed; Supervised By Prof. Dr. Hesham Hefny - 126 Leaves : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2023.
Bibliography: pages 200-250.
With the increasing growth in the use of the internet, and the presence of huge numbers of people connected through the internet. This has led to a major problem related to the risks of data security and the exposure of increasing threats of cyber-attacks that lead to data loss and the inability to secure information. The need for an Intrusion Detection System (IDS) has become extremely important since the number of new cyber-attacks, internet worms, and malware has continued to grow in recent years.
In this thesis, a new meta-learning based on ensemble deep learning models is proposed by using two tiers of Meta-classifiers. Then several experiments on two recent different IoT benchmark datasets are conducted to evaluate the performance of the proposed model. For each dataset, different baseline deep learning classifiers are trained, and their performance is compared with the performance of the proposed model. In addition, due to the efforts made to transform the dataset into balanced datasets with hyper-parameter tuning, the results show that the proposed ensemble model significantly improves the classification accuracy of deep baseline models. Moreover, the proposed method is superior to prior well-known ensemble methods.
أصبحت الحاجة إلى نظام اكتشاف التسلل (IDS) مهمة للغاية منذ أن استمر عدد الهجمات الإلكترونية الجديدة، وديدان الإنترنت، والبرامج الضارة في النمو في السنوات الأخيرة. على الرغم من القدرة والفعالية المتزايدة لنظم كشف التسلل، فإن التنوع المتزايد والحداثة للهجمات الإلكترونية يؤدي إلى الفشل في التمييز بين الهجمات والسلوك المشروع. لذلك، تكتسب مناهج نظم كشف التسلل القائمة على التعلم العميق تأثيرًا متزايدًا مؤخرًا بسبب القدرة على التعامل مع حجم ضخم من مجموعات البيانات في العالم الحقيقي.
يمثل إنترنت الأشياء (IoT)، بأحجامه الضخمة من مجموعات البيانات، تحديات كبيرة لاكتشاف التسلل، حيث تحتوي مجموعات البيانات هذه على تهديدات أمنية كبيرة وانتهاكات خطيرة، هذا هو السبب الرئيسي للحاجة إلى استخدام أساليب التعلم العميق.
في هذا العمل، تم اقتراح نموذجًا جديدًا للتعلم العميق لمجموعة التعلم التلوي باستخدام مستويين من التصنيفات الوصفية. وإجراء عدة تجارب على مجموعتي بيانات معياريتين مختلفتين لإنترنت الأشياء لتقييم أداء النموذج المقترح. لكل مجموعة بيانات، تم تدريب ثلاثة مصنفات أساسية مختلفة للتعلم العميق، ومقارنة أدائها بأداء النموذج المقترح. بالإضافة إلى ذلك، نظرًا للجهود المبذولة لتحويل مجموعة البيانات إلى مجموعات بيانات متوازنة مع ضبط المعلمات الفائقة، تُظهر النتائج أن نموذج المجموعة المقترح يحسن بشكل كبير دقة التصنيف لنماذج خط الأساس العميق، وعلاوة على ذلك؛ تفوقت الطريقة المقترحة على طرق التجميع السابقة.
Text in English and abstract in Arabic & English.
Internet
Intrusion Detection IoT Deep Learning
004.678
An Enhanced Deep Learning Approach For Iot Intrusion Detection / نهج مُحْسَّن لاكتشاف اختراقات إنترنت الأشياء باستخدام التعلم العميق / By Hany Mohamed Ahmed Mohamed; Supervised By Prof. Dr. Hesham Hefny - 126 Leaves : illustrations ; 30 cm. + CD.
Thesis (Ph.D)-Cairo University, 2023.
Bibliography: pages 200-250.
With the increasing growth in the use of the internet, and the presence of huge numbers of people connected through the internet. This has led to a major problem related to the risks of data security and the exposure of increasing threats of cyber-attacks that lead to data loss and the inability to secure information. The need for an Intrusion Detection System (IDS) has become extremely important since the number of new cyber-attacks, internet worms, and malware has continued to grow in recent years.
In this thesis, a new meta-learning based on ensemble deep learning models is proposed by using two tiers of Meta-classifiers. Then several experiments on two recent different IoT benchmark datasets are conducted to evaluate the performance of the proposed model. For each dataset, different baseline deep learning classifiers are trained, and their performance is compared with the performance of the proposed model. In addition, due to the efforts made to transform the dataset into balanced datasets with hyper-parameter tuning, the results show that the proposed ensemble model significantly improves the classification accuracy of deep baseline models. Moreover, the proposed method is superior to prior well-known ensemble methods.
أصبحت الحاجة إلى نظام اكتشاف التسلل (IDS) مهمة للغاية منذ أن استمر عدد الهجمات الإلكترونية الجديدة، وديدان الإنترنت، والبرامج الضارة في النمو في السنوات الأخيرة. على الرغم من القدرة والفعالية المتزايدة لنظم كشف التسلل، فإن التنوع المتزايد والحداثة للهجمات الإلكترونية يؤدي إلى الفشل في التمييز بين الهجمات والسلوك المشروع. لذلك، تكتسب مناهج نظم كشف التسلل القائمة على التعلم العميق تأثيرًا متزايدًا مؤخرًا بسبب القدرة على التعامل مع حجم ضخم من مجموعات البيانات في العالم الحقيقي.
يمثل إنترنت الأشياء (IoT)، بأحجامه الضخمة من مجموعات البيانات، تحديات كبيرة لاكتشاف التسلل، حيث تحتوي مجموعات البيانات هذه على تهديدات أمنية كبيرة وانتهاكات خطيرة، هذا هو السبب الرئيسي للحاجة إلى استخدام أساليب التعلم العميق.
في هذا العمل، تم اقتراح نموذجًا جديدًا للتعلم العميق لمجموعة التعلم التلوي باستخدام مستويين من التصنيفات الوصفية. وإجراء عدة تجارب على مجموعتي بيانات معياريتين مختلفتين لإنترنت الأشياء لتقييم أداء النموذج المقترح. لكل مجموعة بيانات، تم تدريب ثلاثة مصنفات أساسية مختلفة للتعلم العميق، ومقارنة أدائها بأداء النموذج المقترح. بالإضافة إلى ذلك، نظرًا للجهود المبذولة لتحويل مجموعة البيانات إلى مجموعات بيانات متوازنة مع ضبط المعلمات الفائقة، تُظهر النتائج أن نموذج المجموعة المقترح يحسن بشكل كبير دقة التصنيف لنماذج خط الأساس العميق، وعلاوة على ذلك؛ تفوقت الطريقة المقترحة على طرق التجميع السابقة.
Text in English and abstract in Arabic & English.
Internet
Intrusion Detection IoT Deep Learning
004.678