D´etection des cyber-attaques dans l’internet des objets / Rafika Saadouni  

Public ISBD Titre : D´etection des cyber-attaques dans l’internet des objets Type de document : texte imprimé Auteurs : Rafika Saadouni, Auteur ; Amina Khacha, Auteur ; Zibouda Aliouat n´ee Zouaoui, Directeur de thèse Année de publication : 2022 Importance : 1 vol (67 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : IoT Big data système de surveillance Index. décimale : 004 Informatique Résumé : Le d´eveloppement croissant des dispositifs IoT (Internet des objets) cr´e´e une grande surface d’attaque pour les cybercriminels afin de mener des cyberattaques. Parmis les solutions cr´e´ees pour garder la s´ecurit´e est la cr´eation d’un IDS (un syst`eme de d´etection d’intrusion) plus intelligent avec l’apprentissage profond. L’objectif de ce travail est d’´etudier les performances des m´ethodes d’apprentissage profond et s´electionner les r´eseaux de neurones les plus efficace pour faire une combinaison entre eux afin d’obtenir un mod`ele hybride performant permettant de r´esoudre les probl`emes des r´eseaux en s´ecurit´e. Nous avons ´evalu´e les m´ethodes propos´ees avec les trois ensembles de donn´ees NSL-KDD, CICIDS-2017 et EDGE-IIOt. Nous avons ´egalement pr´esent´e une ´etude comparative avec deux algorithmes d’apprentissage automatique dans deux types de classification (binaire et multi-classes), en utilisant diff´erentes m´etriques dans l’´evaluation des performances importants pour la d´etection des intrusions (taux de d´etection, taux de fausses alarmes et temps de d´etection). Les r´esultats exp´erimentaux ont montr´e que les performances des approches de deep learning (DL) propos´ees sont sup´erieures `a celles des algorithmes de machine learning (ML) traditionnels et les mod`eles propos´e hybrides mieux que le mod`ele pure. Côte titre : MAI/0638 En ligne : https://drive.google.com/file/d/1pWlSTAy1JiaEdWdWtA4i8Xpw1pOQlMGO/view?usp=share [...] Format de la ressource électronique : pdf D´etection des cyber-attaques dans l’internet des objets [texte imprimé] / Rafika Saadouni, Auteur ; Amina Khacha, Auteur ; Zibouda Aliouat n´ee Zouaoui, Directeur de thèse . - 2022 . - 1 vol (67 f .) ; 29cm. Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : IoT Big data système de surveillance Index. décimale : 004 Informatique Résumé : Le d´eveloppement croissant des dispositifs IoT (Internet des objets) cr´e´e une grande surface d’attaque pour les cybercriminels afin de mener des cyberattaques. Parmis les solutions cr´e´ees pour garder la s´ecurit´e est la cr´eation d’un IDS (un syst`eme de d´etection d’intrusion) plus intelligent avec l’apprentissage profond. L’objectif de ce travail est d’´etudier les performances des m´ethodes d’apprentissage profond et s´electionner les r´eseaux de neurones les plus efficace pour faire une combinaison entre eux afin d’obtenir un mod`ele hybride performant permettant de r´esoudre les probl`emes des r´eseaux en s´ecurit´e. Nous avons ´evalu´e les m´ethodes propos´ees avec les trois ensembles de donn´ees NSL-KDD, CICIDS-2017 et EDGE-IIOt. Nous avons ´egalement pr´esent´e une ´etude comparative avec deux algorithmes d’apprentissage automatique dans deux types de classification (binaire et multi-classes), en utilisant diff´erentes m´etriques dans l’´evaluation des performances importants pour la d´etection des intrusions (taux de d´etection, taux de fausses alarmes et temps de d´etection). Les r´esultats exp´erimentaux ont montr´e que les performances des approches de deep learning (DL) propos´ees sont sup´erieures `a celles des algorithmes de machine learning (ML) traditionnels et les mod`eles propos´e hybrides mieux que le mod`ele pure. Côte titre : MAI/0638 En ligne : https://drive.google.com/file/d/1pWlSTAy1JiaEdWdWtA4i8Xpw1pOQlMGO/view?usp=share [...] Format de la ressource électronique : pdf

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0638	MAI/0638	Mémoire	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 1 / 1)