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
classification |
Index. 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 : |
pdf |
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
classification |
Index. 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 : |
pdf |
|