عنوان الإطروحه |
Hyperparameter Optimization in a Convolutional Neural Network for Cyberattacks Detection
|
تاريخ مناقشة الاطروحه |
2025-04-10 |
اسم الطالب |
ميمونه محمود خالد شبيل
|
المشرف |
خالد محمد عبدالرحمن بطيحه |
|
المشرف المشارك |
وفاء صليبي غمار الشرفات
|
اعضاء لجنة المناقشة |
| وائل وحيد علي القصاص |
| رضوان الدويري |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
يفرض التطور السريع للتهديدات السيبرانية تحديات كبيرة على طرق الكشف التقليدية، والتي غالبًا ما تتأخر في تحديد الهجمات المتقدمة وتعاني من معدلات إيجابية كاذبة عالية. يدمج هذا البحث تقنيات التحسين المتقدمة والتعلم الآلي لتعزيز دقة وكفاءة أنظمة اكتشاف التطفل. على وجه التحديد، يستفيد من وخوارزمية التحسين Jaya لضبط المعلمات الفائقة للشبكات العصبية التلافيفية CNNs آلات الدعم المتجه SVM للكشف عن الهجمات السيبرانية، وخاصة في بيئات الشبكة الذكية. باستخدام مجموعات البيانات الكبيرة، مثل NSL-KDD ، UNSW-NB15، يتم الحصول على نسب الدقة التالية : NSL-KDD: 98.2?، UNSW-NB15: 99.7?، و نسبة الدقة في مجموعة البيانات ممتازة جدًا. تتناول الدراسة قضايا مثل عدم توازن مجموعة البيانات، واختيار الميزات، وقابلية تفسير النموذج. يُظهر الإطار المقترح، JAYA-CNN-SVM، تحسينات كبيرة في دقة التصنيف، مما يحقق اكتشافًا قويًا عبر مجموعة متنوعة من أنواع الهجمات. وتؤكد النتائج فعالية تحسين Jaya في التغلب على قيود طرق الضبط التقليدية، مما يمثل خطوة إلى الأمام في الدفاعات الأمنية السيبرانية الموثوقة وفي الوقت الفعلي . |
الملخص بالانجليزي |
The rapid evolution of cyber threats poses significant challenges to traditional detection methods, which often lag behind in identifying advanced attacks and suffer from high false positive rates. This research integrates advanced optimization techniques and machine learning to enhance the accuracy and efficiency of intrusion detection systems. Specifically, it leverages the Jaya optimization algorithm to tune the hyperparameters of convolutional neural networks (CNNs) and support vector machines (SVMs) for detecting cyber attacks Using large datasets, such as NSL-KDD and UNSW-NB15, the following accuracy ratios are obtained: NSL-KDD: 98.2%, UNSW-NB15: 99.7%. The study addresses issues such as dataset imbalance, feature selection, and model interpretability. The proposed framework, JAYA-CNN-SVM, demonstrates significant improvements in classification accuracy, achieving robust detection across a variety of attack types. The results confirm the effectiveness of Jaya optimization in overcoming the limitations of traditional tuning methods, representing a step forward in reliable and real-time cybersecurity defenses |
رقم ISN |
8988 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|