New automatic (IDS) in IoTs with artificial intelligence techniques
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Kablosuz sensör ağlarında izinsiz giriş tespiti, IoT sistemlerinin güvenliğini ve güvenilirliğini sağlamak için çok önemli bir görevdir. Derin öğrenme tekniklerinin izinsiz giriş tespiti de dahil olmak üzere çeşitli alanlarda etkili olduğu kanıtlanmıştır. Bu nedenle, bu çalışma, derin öğrenme tekniklerini kullanarak kablosuz sensör ağlarında izinsiz giriş tespiti için yeni bir çerçeve önermektedir. Bu çalışmada, Nesnelerin İnterneti (IoT) için bir Ağ Saldırı Tespit Sistemi (NID) geliştirmek için üç yöntem sunulacaktır. İlk yöntem, IoT sistemlerinin güvenliğini artırmak için Biyocoğrafya Tabanlı Optimizasyon (BBO) algoritması gibi optimizasyon algoritmalarıyla derin bir öğrenme modelinin eğitilmesini içerir. Optimizasyon algoritması, derin öğrenme modeli için en iyi parametrelerin bulunmasına yardımcı olarak izinsiz girişleri tespit etmede gelişmiş performansa yol açar. İkinci yöntem, yeni bir NID oluşturmak için optimizasyon algoritmalarını özellik olarak sınıflandırılan bir seçim aracıyla birleştirir. Özellik seçimi, sınıflandırıcının performansını iyileştirmek için orijinal veri kümesinden ilgili özelliklerin bir alt kümesini seçme işlemidir. Bu yöntemde, en alakalı öznitelikleri seçmek için optimizasyon algoritmaları kullanılır ve ardından izinsiz girişleri tespit etmek için bu öznitelikler üzerinde bir sınıflandırıcı eğitilir. Son olarak, bir Konvolüsyonel Sinir Ağı (CNN) ve Uzun Kısa Süreli Bellek (LSTM) katmanları, `Adam` optimize edici ile birlikte eğitim yapmak ve bir değerlendirme verisi yapmak ve veri setinde bulunan tüm boş değerleri işlemek için kullanılacaktır. CNN'ler, görüntü işlemede yaygın olarak kullanılır ve izinsiz giriş tespiti de dahil olmak üzere çeşitli uygulamalarda etkili olduğu kanıtlanmıştır. LSTM, sıralı verileri işlemek için özellikle uygun olan bir Tekrarlayan Sinir Ağı (RNN) türüdür. `Adam` iyileştirici, derin öğrenme modellerinde kayıp işlevini en aza indirmeye yardımcı olan, yaygın olarak kullanılan bir optimizasyon algoritmasıdır. Sonuç olarak, bu çalışma, derin öğrenme tekniklerini kullanarak kablosuz algılayıcı ağlarda izinsiz giriş tespiti için yeni bir çerçeve önermeyi amaçlamaktadır. Bu çalışmada sunulan üç yöntem, IoT sistemlerinde izinsiz girişleri tespit etmek, bu sistemlerin güvenliğini ve güvenilirliğini sağlamak için kapsamlı bir çözüm sağlayacaktır. Intrusion detection in wireless sensor networks is a crucial task to ensure the security and reliability of IoT systems. Deep learning techniques have been demonstrated to be effective in various fields, including intrusion detection. Thus, this study proposes a novel framework for intrusion detection in wireless sensor networks using deep learning techniques.Three methods for developing a Network Intrusion Detection System (NID) for the Internet of Things (IoT) will be presented in this study. The first method involves training a deep learning model with optimization algorithms, such as the Biogeography-Based Optimization (BBO) algorithm, to enhance the security of IoT systems. The optimization algorithm helps in finding the best parameters for the deep learning model, leading to improved performance in detecting intrusions. The second method combines optimization algorithms with a classified as a feature selection tool to create a new NID. Feature selection is the process of choosing a subset of relevant features from the original dataset to improve the performance of the classifier. In this method, optimization algorithms are used to select the most relevant features, and then a classifier is trained on these features to detect intrusions. Finally, a Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) layers, along with the `Adam` optimizer, will be utilized to be training and make an evaluation data and handle any null values present in the dataset. CNNs are commonly used in image processing and have been demonstrated to be effective in various applications, including intrusion detection. LSTM is a type of Recurrent Neural Network (RNN) that is particularly well suited for handling sequential data. The `Adam` optimizer is a widely used optimization algorithm that helps to minimize the loss function in deep learning models. In conclusion, this study aims to propose a novel framework for intrusion detection in wireless sensor networks using deep learning techniques. The three methods presented in this study will provide a comprehensive solution for detecting intrusions in IoT systems, ensuring the security and reliability of these systems.
Collections