Thesis (M.Sc.)-Cairo University, 2024.

Bibliography: pages 67-72.

The use of drones (UAVs) has increased across industries, leading to more malicious activities targeting UAV networks, creating a need for effective Intrusion Detection Systems (IDS). This thesis proposes an IDS model using a Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM) to detect network anomalies. The model addresses issues like class imbalance and high-dimensional data through pre-processing techniques such as SMOTE, one-hot encoding, and min-max scaling. Evaluated with the CICIDS2017 dataset, the model achieved 99.85% accuracy, 99.85% F1-score, 99.99% precision, and 99.70% recall, outperforming Naïve Bayes and other protocols in accuracy and False Positive rate.

في السنوات الأخيرة، زاد استخدام الطائرات بدون طيار في صناعات مختلفة، مما أدى إلى زيادة الأنشطة الضارة ضد شبكاتها. ونتيجة لذلك، أصبح تطوير أنظمة كشف التسلل (IDS) أمرًا ضروريًا. تواجه هذه الأنظمة تحديات بسبب حركة الطائرات ومواردها المحدودة. اقترح البحث نهجًا جديدًا باستخدام التعلم العميق لتحسين IDS، حيث استخدم الشبكة العصبية المتكررة (RNN) مع LSTM لتحديد الحالات الشاذة. تم معالجة البيانات باستخدام تقنيات مثل SMOTE لموازنة الفئات. تم تقييم النموذج باستخدام مجموعة بيانات CICIDS2017، حيث حقق دقة تصنيف تصل إلى 99.84%. النموذج تفوق على تقنيات أخرى من حيث الدقة والأداء.

Issued also as CD

Text in English and abstract in Arabic & English.