ارائه­ دهنده:

  اساتید راهنما:

 دکتر بهروز مینایی

هیات داوران:
دکتر حسین رحمانی
دکتر منیره عبدوس

زمان:
چهارشنبه ۱۴۰۰/۰۷/۰۸

خانم سمانه قاسمیان دیزج مهر دانشجوی کارشناسی ارشد جناب آقای دکتر بهروز مینایی روز پنجشنبه ۰۸ مهرماه ماه ساعت ۰۸:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "یک روش تشخیص نفوذ مبتنی بر رده‌بند‌های ترکیبی و الگوریتم گرگ خاکستری برای اینترنت اشیا " دفاع خواهند نمود.

چکیده پایان نامه:

اینترنت اشیا به عنوان یکی از فناوری‌های جدیدی است که در طی چندین سال اخیر در کاربردهای مختلفی مانند حمل و نقل، فرایندهای صنعتی، امنیت عمومی، هوشمند‌سازی خانه‌ها، نظارت بر محیط‌های مختلف و بهداشت و درمان و ده‌ها حوزه دیگر در جهت افزایش بهره وری و کاهش هزینه‌ها استفاده شده است. به دلیل عدم وجود حافظه و قدرت محاسباتی کافی امکان استفاده از الگوریتم‌ها و روش‌های تأمین امنیت در اکثر دستگاه‌های شبکه‌های اینترنت اشیا وجو ندارد، به همین دلیل شبکه‌های اینترنت اشیا مستعد آسیب پذیری از طریق حملات سایبری مختلف از جمله حملات بات نت هستند. برای افزایش امنیت شبکه‌های اینترنت اشیا در طی سال‌های اخیر محققان روش‌های مختلفی از جمله سیستم‌های تشخیص نفوذ با روش‌های مبتنی بر روش‌های یادگیری ماشین را ارائه کرده‌اند.
کارایی بالای این روش‌ها می‌تواند نقش تعیین کننده‌ای در افزایش سطح امنیت شبکه‌های اینترنت اشیا داشته باشد، در همین راستا در این پایان نامه یک سیستم تشخیص نفوذ مبتنی بر رده‌بند‌های ترکیبی و الگوریتم انتخاب ویژگی مبتنی بر الگوریتم گرگ خاکستری بهبود داده شده ارائه شده است. ساخت سیستم پیشنهادی شامل مراحل مختلفی مانند جمع آوری داده‌ها، پیش پردازش بر روی داده‌ها، انتخاب ویژگی و ساخت مدل رده‌بند داده‌ها با رده‌بند‌های ترکیبی و روش رأی گیری است. برای افزایش کارایی فرایند انتخاب ویژگی کارایی الگوریتم گرگ خاکستری با استفاده از یک الگوریتم جستجوی محلی بهبود داده شده است. همچنین از رده‌بندهای ماشین بردار پشتیبان، ماشین بردار پشتیبان افزایشی، درخت تصمیم، جنگل تصادفی و روش K -نزدیک‌ترین همسایه و ترکیبات مختلفی از این روش‌ها برای به دست آوردن بهترین ترکیب برای فرایند رده‌بندی استفاده شده است.
برای ساخت و ارزیابی کارایی روش پیشنهادی از مجموعه داده N-BaIoT که شامل دو بات نت معروف Mirai و Bashlite است، استفاده شده است. نتایج حاکی از آن است که بهترین ترکیب برای ساخت مدل رده‌بندی ترکیب سه روش یادگیری ماشین جنگل تصادفی، درخت تصمیم و K- نزدیک‌ترین همسایه با دقت تشخیص ۹۹.۹۸ است. نتایج حاکی از کارایی بالای روش پیشنهادی نسبت به روش‌های ارائه شده در سال‌های اخیر است.