Titre :	Cyber attacks detection on internet of Things using Machine learning
Type de document :	texte imprimé
Auteurs :	Ala Eddine Bouladour, Auteur ; Dhirar abdeldjabar Nedjai ; Haddadi ,Mohamed, Directeur de thèse
Editeur :	Sétif:UFS
Année de publication :	2023
Importance :	1 vol (73 f.)
Format :	29 cm
Langues :	Anglais (eng)
Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet des objets Cyberattaques Apprentissage automatique Cybersécurité.
Index. décimale :	004 - Informatique
Résumé :	L’augmentation rapide du nombre de dispositifs IoT (Internet des objets) a fourni une large surface d’attaque pour les pirates pour lancer des cyberattaques dévastatrices. et souvent, les solutions de sécurité traditionnelles ne sont pas suffisantes pour détecter ces attaques, qui nécessitent l’utilisation de méthodes innovantes en raison de la gravité de ce problème. Le but de cette thèse est d’appliquer des méthodes d’apprentissage automatique telles que la forêt aléatoire, l’arbre de décision, les voisins k-les plus proches, la machine vectorielle de support, la régression logistique, l’amplification de gradient extrême, l’amplification adaptative et l’amplification de gradient, dans deux types de classification (binaire et multiple) détecter les attaques dans l’Internet des objets. Nous avons évalué ces méthodes avec l’ensemble de données IoTID20 à l’aide de mesures de rendement comme (exactitude, précision, rappel et F1- Score). Nous avons également comparé nos résultats avec ceux de Sharma et al. Les résultats de cette comparaison ont montré que notre modèle (XGBoost) offre la meilleure performance parmi tous les autres modèles dans les classifications binaires et multi, car il a atteint une exactitude de 99.74 et 99.21 respectivement= The rapid rise in the number of IoT (Internet of Things) devices has provided a broad attack surface for hackers to launch devastating cyber attacks. and often, traditional security solutions are not sufficient to detect these attacks, which requires the use of innovative methods due to the seriousness of this problem. The aim of this thesis is to apply machine learning methods such as random forest, decision tree, k-nearest neighbors, support vector machine, logistic regression, extreme Gradient Boosting, Adaptive Boosting, and Gradient Boosting, in two types of classification (binary and multiple) to detect attacks in the Internet of Things. We evaluated these methods with the IoTID20 dataset using performance measures such as (accuracy, precision, recall, and F1-Score). We also compared our results with the results of Sharma et al. The results of this comparison showed that our model (XGBoost) provides the best performance among all other models in both binary and multi classifications, as it achieved an accuracy of 99.74 and 99.21 respectively.
Côte titre :	MAI/0788
En ligne :	https://drive.google.com/file/d/1DWUg2bwFndN9eDRl_TQ-Ot6zq5MsAwCa/view?usp=drive [...]
Format de la ressource électronique :	pdf

Cyber attacks detection on internet of Things using Machine learning [texte imprimé] / Ala Eddine Bouladour, Auteur ; Dhirar abdeldjabar Nedjai ; Haddadi ,Mohamed, Directeur de thèse . - [S.l.] : Sétif:UFS, 2023 . - 1 vol (73 f.) ; 29 cm.
Langues : Anglais (eng)

Catégories :	Thèses & Mémoires:Informatique
Mots-clés :	Internet des objets Cyberattaques Apprentissage automatique Cybersécurité.
Index. décimale :	004 - Informatique
Résumé :	L’augmentation rapide du nombre de dispositifs IoT (Internet des objets) a fourni une large surface d’attaque pour les pirates pour lancer des cyberattaques dévastatrices. et souvent, les solutions de sécurité traditionnelles ne sont pas suffisantes pour détecter ces attaques, qui nécessitent l’utilisation de méthodes innovantes en raison de la gravité de ce problème. Le but de cette thèse est d’appliquer des méthodes d’apprentissage automatique telles que la forêt aléatoire, l’arbre de décision, les voisins k-les plus proches, la machine vectorielle de support, la régression logistique, l’amplification de gradient extrême, l’amplification adaptative et l’amplification de gradient, dans deux types de classification (binaire et multiple) détecter les attaques dans l’Internet des objets. Nous avons évalué ces méthodes avec l’ensemble de données IoTID20 à l’aide de mesures de rendement comme (exactitude, précision, rappel et F1- Score). Nous avons également comparé nos résultats avec ceux de Sharma et al. Les résultats de cette comparaison ont montré que notre modèle (XGBoost) offre la meilleure performance parmi tous les autres modèles dans les classifications binaires et multi, car il a atteint une exactitude de 99.74 et 99.21 respectivement= The rapid rise in the number of IoT (Internet of Things) devices has provided a broad attack surface for hackers to launch devastating cyber attacks. and often, traditional security solutions are not sufficient to detect these attacks, which requires the use of innovative methods due to the seriousness of this problem. The aim of this thesis is to apply machine learning methods such as random forest, decision tree, k-nearest neighbors, support vector machine, logistic regression, extreme Gradient Boosting, Adaptive Boosting, and Gradient Boosting, in two types of classification (binary and multiple) to detect attacks in the Internet of Things. We evaluated these methods with the IoTID20 dataset using performance measures such as (accuracy, precision, recall, and F1-Score). We also compared our results with the results of Sharma et al. The results of this comparison showed that our model (XGBoost) provides the best performance among all other models in both binary and multi classifications, as it achieved an accuracy of 99.74 and 99.21 respectively.
Côte titre :	MAI/0788
En ligne :	https://drive.google.com/file/d/1DWUg2bwFndN9eDRl_TQ-Ot6zq5MsAwCa/view?usp=drive [...]
Format de la ressource électronique :	pdf