Please use this identifier to cite or link to this item:
http://dspace.univ-tiaret.dz:80/handle/123456789/15279| Title: | Apprentissage automatique pour la détection d’intrusions dans l’IoT |
| Authors: | BENSASSI, SAAD LAZREG, KHADIDJA |
| Keywords: | Internet des objets sécurité système de détection d’intrusion LSTM |
| Issue Date: | 20-يون-2024 |
| Publisher: | Université ibn khaldoun-Tiaret |
| Abstract: | La rapide évolution de la technologie de l'Internet des objets (IDO ou IoT en anglais) a permis l'interconnexion d'innombrables appareils et systèmes dans le monde entier. Cependant, en raison de l'absence de mesures de cybersécurité adéquates, l'IoT est devenu une cible privilégiée pour les pirates informatiques malveillants. Pour résoudre ce problème critique, il est nécessaire de mettre en place un réseau entièrement sécurisé, permettant un déploiement sûr et efficace de cette technologie. Ce travail présente un modèle sophistiqué de détection d'intrusion basé sur l'apprentissage profond à deux niveaux, utilisant la mémoire à long et court terme (LSTM), intégrant des techniques de classification binaire et multi classification, ainsi que des processus de filtrage et d'agrégation basés sur le temps, tous conçus pour optimiser les performances. Le modèle proposé a été évalué à l'aide des ensembles de données UNSW-NB15 et Minerva, montrant des taux de fausses alarmes (faux positifs) réduits, ainsi qu'une exactitude et une précision élevées. |
| Description: | The rapid expansion of the Internet of Things (IoT) technology has enabled the interconnection of countless devices and systems worldwide. However, due to its lack of adequate cyber security measures, it has become a prime target for malicious hackers. To address this critical issue, a fully secure IoT network must be established, allowing for a safe and efficient deployment of this technology. This paper presents a sophisticated two level deep learning based intrusion detection model that uses long short t erm memory (LSTM), incorporating binary and multi level classification techniques, time based filtering and aggregation processes, all designed to optimize performance. The proposed model was evaluated using the UNSW NB15 and Minerva datasets , achieving hi ghly satisfactory results, including reduced false alarm rates (false positives), and high accuracy and precision. |
| URI: | http://dspace.univ-tiaret.dz:80/handle/123456789/15279 |
| Appears in Collections: | Master |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| TH.M.INF.2024.25.pdf | 7,82 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.