عنوان الإطروحه |
Enhancing Intrusion Detection In Internet Of Things (IOT) Using Emperor Penguin Colony With CNN
|
تاريخ مناقشة الاطروحه |
2025-12-11 |
اسم الطالب |
تهاني محمد محمود المزيد
|
المشرف |
اكرم عارف نايف مصطفى |
|
المشرف المشارك |
|
اعضاء لجنة المناقشة |
| نجاح مثقال علي الشنابله |
| محمد العثمان |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
يواجه إنترنت الأشياء (IoT) تحديات أمنية كبيرة نتيجةً لنموه السريع، وزيادة انكشاف الشبكة بسبب الاتصال الهائل بين الأجهزة، وتنوع البروتوكولات، ومحدودية موارد نقاط النهاية. من المتوقع أن تكشف أنظمة كشف التسلل الشبكي (NIDS) الهجمات بسرعة وموثوقية، إلا أن مجموعات بيانات التسلل المستخدمة على نطاق واسع في إنترنت الأشياء تُظهر اختلالًا كبيرًا في توازن الفئات، مما قد يؤثر على عملية التعلم، ويخفي حالات فشل الفئات الأقلية، ويرفع دقة النتائج. يمكن للتعلم العميق، وخاصة الشبكات العصبية الالتفافية (CNNs)، تعلم تمثيلات تمييزية من متجهات خصائص حركة البيانات، لكن الأداء يعتمد بشكل كبير على المعلمات الفائقة التي يتم ضبطها يدويًا في كثير من الأحيان. يُعد الضبط اليدوي عمليةً تستغرق وقتًا طويلاً، وغير متسقة عبر المهام، ويصعب تكرارها عندما تشمل التجارب مستويات متعددة من دقة التصنيفات وأنظمة الخصائص. تقدم هذه الدراسة إطار عمل هجينًا يجمع بين خوارزمية مستعمرة البطريق الإمبراطور (EPC) والشبكات العصبية الالتفافية (CNN)، حيث يستخدم مُحسِّن EPC (خوارزمية مستعمرة البطريق الإمبراطور) لضبط المعلمات الفائقة للشبكات العصبية الالتفافية تلقائيًا لكشف التسلل في حركة بيانات إنترنت الأشياء غير المتوازنة. تستخدم خوارزمية EPC آلية جذب المستعمرات والحركة الحلزونية المنسقة، المستوحاة من سلوك تجمع طيور البطريق الإمبراطور، للبحث في فضاء المعلمات الفائقة، مع تقليل خسارة التحقق من صحة
الشبكة العصبية التلافيفية (CNN) كهدف للتقييم. أُجريت تجارب على مجموعة بيانات BoT IoT في ظل نظامين للميزات (تكوين مُخفَّض بعشر ميزات وتكوين بجميع الميزات) وثلاثة مستويات لدقة التصنيف (ثنائي، وفئوي، وفئوي فرعي). حقق الإطار المقترح دقة 99.93% في الكشف عن الاختراقات الثنائية في حالة عدم توازن الميزات العشر، ووصل إلى أداء شبه مثالي بعد موازنة البيانات باستخدام تقنية SMOTE، وحافظ على نتائج قوية في مهام التصنيف الفئوي والفئوي الفرعي. تدعم هذه الدراسة التحسين الآلي للمعلمات الفائقة المستوحى من علم الأحياء كنهج عملي لتقليل جهد الضبط اليدوي وتحسين الكشف القائم على الشبكات العصبية التلافيفية في ظل عدم توازن حاد في فئات بيانات اختراق إنترنت الأشياء
|
الملخص بالانجليزي |
The Internet of Things (IoT) is facing significant security challenges due to rapid growth, increases network exposure through massive device connectivity, protocol heterogeneity, and resource-limited endpoints. Network intrusion detection systems (NIDS) are expected to detect attacks quickly and reliably, yet widely used IoT intrusion datasets exhibit extreme class imbalance that can bias learning, mask minority class failures, and inflate accuracy. Deep learning, particularly convolutional neural networks (CNNs), can learn discriminative representations from traffic-feature vectors, but performance is strongly dependent on hyper-parameters that are frequently tuned manually. Manual tuning is time-consuming, inconsistent across tasks, and difficult to reproduce when experiments span multiple label granularities and feature regimes. This study presents an EPC-CNN hybrid framework that uses the Emperor Penguin Colony (EPC) meta-heuristic optimizer to automatically tune CNN hyper-parameters for intrusion detection in imbalanced IoT traffic. EPC searches the hyper-parameter space using colony attraction and coordinated spiral movement inspired by emperor penguin huddling behavior, while CNN validation loss is minimized as the fitness objective. Experiments on the BoT IoT dataset are conducted under two feature regimes (a reduced 10-feature configuration and an all-feature configuration) and three labeling granularities (binary, category, and subcategory). The proposed framework attains 99.93% accuracy for binary intrusion detection on the imbalanced 10-feature setting, reaches near-perfect performance after SMOTE-based balancing, and maintains strong results on category and subcategory tasks. The study supports automated bio-inspired hyper-parameter optimization as a practical approach to reduce manual tuning effort and improve CNN-based detection under severe class imbalance in IoT intrusion data |
رقم ISN |
9617 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|