University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Bellilita ,Boutheïna Kharfia |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la recherche
A Machine Learning-Based Lightweight Intrusion Detection System for the Internet of Things / Bellilita ,Boutheïna Kharfia
Titre : A Machine Learning-Based Lightweight Intrusion Detection System for the Internet of Things Type de document : texte imprimé Auteurs : Bellilita ,Boutheïna Kharfia, Auteur ; Fenanir,Samir, Directeur de thèse Editeur : Setif:UFA Année de publication : 2020 Importance : 1 vol (90 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets IoT
Système de détection d’intrusion (IDS)
La sélection des features
apprentissage automatique
classificationIndex. décimale : 004 - Informatique Résumé :
L'Internet des objets (IoT) est le réseau qui combine divers appareils utilisant Internet pour
fournir de meilleurs services et applications aux utilisateurs. Cependant, avec les opportunités
de cette tendance, l'IoT apporte également son ensemble de défis où la sécurité est le
principal défi.
Pour améliorer la sécurité de l'IoT, dans ce mémoire nous proposons un nouveau système de
détection d’intrusion qui est un système de détection d’intrusion léger (LIDS).
Nous avons construit un modèle de classification basé sur l'apprentissage automatique qui
sera en mesure de classer et d'identifier différentes attaques. En premier lieu, nous
présentons les techniques utilisées pour le prétraitement de l'ensemble de données, ensuit
nous avons divisé notre ensemble de données en quatre sous-ensembles de données selon le
type d’attaque, après nous utilisons deux types de sélection des attributs pour diminuer le
cout de calcul. Différents algorithmes d'apprentissage automatique (ML) ont été utilisés pour
la classification : régression logistique (LR), Bayes naïf (NB), arbre de décision (DT), forêt
aléatoire (RF), k-plus proche voisin (KNN), machine à vecteurs de support (SVM) et perceptron
multicouche (MLP), nous les avons évalués et comparés, puis nous proposons un système basé
sur l'algorithme le plus performant. Nous avons sélectionné les algorithmes k-plus proche
voisin (KNN) et perceptron multicouche (MLP) comme meilleurs classificateurs sur les quatre
sous-ensembles de données.
Notre système permettra non seulement de prédire une attaque, mais indiquera également
sous quel type d'attaque le réseau est soumis.Côte titre : MAI/0412 En ligne : https://drive.google.com/file/d/1zKWRGvwEFoLLz6H8MuL03AzUy87T0x7l/view?usp=shari [...] Format de la ressource électronique : A Machine Learning-Based Lightweight Intrusion Detection System for the Internet of Things [texte imprimé] / Bellilita ,Boutheïna Kharfia, Auteur ; Fenanir,Samir, Directeur de thèse . - [S.l.] : Setif:UFA, 2020 . - 1 vol (90 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Internet des objets IoT
Système de détection d’intrusion (IDS)
La sélection des features
apprentissage automatique
classificationIndex. décimale : 004 - Informatique Résumé :
L'Internet des objets (IoT) est le réseau qui combine divers appareils utilisant Internet pour
fournir de meilleurs services et applications aux utilisateurs. Cependant, avec les opportunités
de cette tendance, l'IoT apporte également son ensemble de défis où la sécurité est le
principal défi.
Pour améliorer la sécurité de l'IoT, dans ce mémoire nous proposons un nouveau système de
détection d’intrusion qui est un système de détection d’intrusion léger (LIDS).
Nous avons construit un modèle de classification basé sur l'apprentissage automatique qui
sera en mesure de classer et d'identifier différentes attaques. En premier lieu, nous
présentons les techniques utilisées pour le prétraitement de l'ensemble de données, ensuit
nous avons divisé notre ensemble de données en quatre sous-ensembles de données selon le
type d’attaque, après nous utilisons deux types de sélection des attributs pour diminuer le
cout de calcul. Différents algorithmes d'apprentissage automatique (ML) ont été utilisés pour
la classification : régression logistique (LR), Bayes naïf (NB), arbre de décision (DT), forêt
aléatoire (RF), k-plus proche voisin (KNN), machine à vecteurs de support (SVM) et perceptron
multicouche (MLP), nous les avons évalués et comparés, puis nous proposons un système basé
sur l'algorithme le plus performant. Nous avons sélectionné les algorithmes k-plus proche
voisin (KNN) et perceptron multicouche (MLP) comme meilleurs classificateurs sur les quatre
sous-ensembles de données.
Notre système permettra non seulement de prédire une attaque, mais indiquera également
sous quel type d'attaque le réseau est soumis.Côte titre : MAI/0412 En ligne : https://drive.google.com/file/d/1zKWRGvwEFoLLz6H8MuL03AzUy87T0x7l/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0412 MAI/0412 Mémoire Bibliothéque des sciences Français Disponible
Disponible