عنوان الإطروحه |
Enhanced IoT Security using Light Gradient Boosting Machine Algorithm
|
تاريخ مناقشة الاطروحه |
2022-08-21 |
اسم الطالب |
سميه فرحان منفي العيسى
|
المشرف |
خالد محمد عبدالرحمن بطيحه |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| محمد سعيد منصور البشير |
| د.عيسى محمود شهابات |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
نتيجة للاعتماد المتزايد على الإنترنت والتطورات التكنولوجية في بداية القرن العشرين، كان هناك نمو كبير في أجهزة وشبكات إنترنت الأشياء، مما أدى بدوره إلى تركيز الشركات المصنعة على تزويد السوق بالمنتجات دون التركيز على الجانب الأمني الذي ساهم في خلق ثغرات أدت إلى زيادة الهجمات على أجهزة وشبكات إنترنت الأشياء، هذا يدل على وجود ثغرة أمنية في شبكات إنترنت الأشياء، لذلك هناك حاجة لإيجاد تقنيات فعالة في عملية اكتشاف الهجمات في مثل هذه البيئات. برز التعلم الآلي كحل محتمل له إمكانات كبيرة يمكن اعتماده لاكتشاف الهجمات على بيئات إنترنت الأشياء.
في رسالتنا، نقترح نموذج أمان يحلل بيانات حركة المرور داخل شبكات إنترنت الأشياء ويعتمد أفضل 13 ميزة لتدريب نموذج التعلم الآلي للشجرة المعززة بالتدرج (LightGBM) لتحديد وتصنيف هجمات الروبوتات داخل شبكات إنترنت الأشياء، النموذج المقترح قادر على حل مشكلة حركة مرور شبكة إنترنت الأشياء غير المتوازنة للغاية، والتي تتسبب في معظم نماذج التعلم الآلي مشكلة الإفراط في الملائمة لأن خوارزمية الشجرة المعززة بالتدرج تعتمد على سلوك التدريب على البناء المتوازي للقواعد، أدى تقليل عدد الميزات إلى 13 عن طريق إزالة الميزات المتعلقة بالشبكة إلى جعل النموذج أكثر قوة وعمومية، تم تدريب النموذج واختباره على قاعـدة بيانات (BOT IoT) تحتوي على 3 ملايين سجل حركة مرور إنترنت الأشياء. تمت مقارنة النتائج مع ثمانية أنواع مختلفة من نماذج التعلم الآلي التي تم تدريبها واختبارها على نفس قاعدة البيانات باستخــدام أداة التحليــل (K-NIME)، أظهر النموذج المقترح نتائج عالية في عملية اكتشاف هجمات إنترنت الأشياء بدقة وضبط بنسبة (99.9?) واسترجاع بنسبة (100%). |
الملخص بالانجليزي |
As a result of the increasing dependence on the Internet and technological developments at the beginning of the twentieth century, there was a significant growth in Internet of Things (IoT) devices and networks, which in turn led to manufacturers focusing on providing the market with products without focusing on the security aspect that contributed to creating loopholes that led to an increase in attacks on Internet of Things devices and networks. This shows that there is a vulnerability in IoT networks. Therefore, there is a need to find effective techniques in the process of detecting attacks in such environments. Machine learning has emerged as a potential solution with great potential to be adopted to detect attacks on IoT environments. In our thesis, we propose a security model that analyzes traffic data within IoT networks and adopts the 13 best features to train a Light Gradient Boosting (LightGBM) Machine Learning model to identify and classify botnet attacks within IoT networks. The proposed model is able to solve the problem of highly unbalanced IoT network traffic, which causes to the most of the machine learning models the problem of over-fitting because the LightGBM depends on the training behavior on the parallel construction of rules. Reducing the number of features to 13 by removing network-related features made the model more robust and general. The model was trained and tested on a BOT IoT database containing 3 million IoT traffic records. The results were compared with eight different types of machine learning models that were trained and tested on the same database using the analysis tool (K-NIME). The proposed model showed high results in the process of detecting IoT attacks with accuracy and precision (99.9%) and recall (100%) |
رقم ISN |
7448 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|