البيانات الاساسيه

السيره الذاتيه

الاسم: رحاب حسنى محمد عبدالحفيظ

التليفون: 01157624022

تاريخ الميلاد: 23 / 10 / 1994

ايميل: rehab.hosne@fcis.bsu.edu.eg

العنوان: شرق النيل – بنى سويف - مصر

عنوان رسالة الماجستير

بناء مجموعة نظام كشف الهجمات متعدد المراحل باستخدام تقنيات التعلم الآلي

ملخص رسالة الماجستير

زدادت الهجمات الإلكترونية هذه الأيام وأصبحت أكثر خطورة في الشبكة ، حيث توجد أحدث الهجمات مثل Ransomware و Denial of Service (DoS) و Distributed Denial of Services (DDoS) و Man in the middle attack (MITM) و Password attack هجوم الخربشة عبر المواقع (XSS) وأنواع أخرى من الهجمات التي يمكن أن تضر بخدمات الشبكة وأجهزة الشبكة. في هذه الأيام ، يمكن للعديد من الأجهزة الاتصال ببعضها البعض من خلال شبكات إنترنت الأشياء ، لذلك نحتاج إلى معرف هوية فعال لاكتشاف الهجمات. هناك العديد من أنظمة الكشف عن التطفل (IDS) المتوفرة لتحليل وتوقع حالات التهديدات في الشبكة ، ولكن بعضها لا يمكنه تحديد أحدث الهجمات وتظل دقتها مشكلة. في هذه الأطروحة ، نبني IDS لاكتشاف الهجمات في شبكات إنترنت الأشياء. نستخدم مجموعة بيانات TON-IoT Windows 10 لتطوير النظام. تُستخدم خوارزمية تحديد ميزة ReliefF لتحديد أهم السمات من مجموعة البيانات. نجري دراسة مقارنة لمقارنة عملنا مع السابق الذي حدد الميزات من مجموعة بيانات TON-IoT Windows 10 باستخدام وظيفة الارتباط. يتم تطبيق تقنيات التعلم الآلي والتعلم العميق على الميزات المحددة بواسطة خوارزمية ReliefF ووظيفة الارتباط. أظهرت نتائج التجربة أن نموذج الشبكة العصبية المتوسطة ، ونموذج KNN الموزون ، ونموذج Fine Gaussian SVM قد حققوا أفضل النتائج بدقة بلغت 98.39٪ و 98.22٪ و 97.97٪ على التوالي. حقق نموذج LSTM دقة منخفضة بنسبة 70٪ ، لذلك نستخدم النماذج المدربة مسبقًا (طرازات ResNet50 و EfficientNet) لتعزيز دقة نموذج LSTM ، وكذلك ضبط آلة تعزيز التدرج الخفيف (lightgbm) ، و Random Forest Classifier (rf) ، ومصنف شجرة القرار عن طريق تغيير قيم المعلمات المفرطة لكل نموذج. حقق طرازا ResNet50 و EfficientNet دقة عالية مقارنة بنماذج LSTM. وكذلك حققت آلة تعزيز التدرج الخفيف والغابات العشوائية أفضل النتائج.

عنوان رسالة الدكتوراه

ملخص رسالة الدكتوراه

لا يوجد