000			05186namaa2200409 i 4500
003			OSt
005			20250223033347.0
008			241217s2023 ua a|||f |m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a004.678
092			_a004.678 _221
097			_aPh.D
099			_aCai01.18.02.Ph.D.2023.Ha.E.
100	0		_aHany Mohamed Ahmed Mohamed, _epreparation.
245	1	0	_aAn Enhanced Deep Learning Approach For Iot Intrusion Detection / _cBy Hany Mohamed Ahmed Mohamed; Supervised By Prof. Dr. Hesham Hefny
246	1	5	_aنهج مُحْسَّن لاكتشاف اختراقات إنترنت الأشياء باستخدام التعلم العميق /
264		0	_c2023.
300			_a126 Leaves : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2023.
504			_aBibliography: pages 200-250.
520			_aWith 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.
520			_aأصبحت 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.
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aInternet _2qrmak
653		0	_aIntrusion Detection _aIoT _aDeep Learning
700	0		_aHesham Hefny _ethesis advisor.
900			_b01-01-2023 _cHesham Hefny _UCairo University _FFaculty of Graduate Studies for Statistical Research _DDepartment of Computer Science
905			_aEman El gebaly _eHuda
942			_2ddc _cTH _e21 _n0
999			_c169516