Anomaly-based Intrusion Detection System for IoT network using machine learning and deep learning techniques
| dc.contributor.author | RAFAA, HOuria | |
| dc.contributor.author | MEKKAOUI, AYoub | |
| dc.date.accessioned | 2022-04-12T13:20:56Z | |
| dc.date.available | 2022-04-12T13:20:56Z | |
| dc.date.issued | 2020 | |
| dc.description | Mr MALKI Mimoun /Mr MALKI Abdelhamid/Mr BENABDERRAHMANE Sid Ahmed Encadreur | en_US |
| dc.description.abstract | The InternetofThings(IoT)isasystemofinterconnectedobjectsthatenablesthecom- municationofhumanswithdifferentdevices.Ithasexpandedintoseveralareassuchas health, agriculture.However,thenatureoftheIoTarchitecturehascreatednewsecurity challenges,especiallyintheIoTnetworkwhichpresentsthelargestscaleofanIoTsystem. Anomaly-based intrusiondetectionsystems(IDSs)areaneffectivewaytopreventabnor- mal trafficintheIoTnetwork.ItisknownthattheIoTarchitectureisgettingmorecompli- cated daybyday,whichmakestraditionalmethodslikestatistical-basedorknowledge-based for anomalydetectionfacedifficultiesdetectingunknownattacksinreal-time.Therefore, machinelearninganddeeplearningtechniqueshowexcellentperformanceindetectingsmall anomalous dataovertime.Theseadvancedtechniquesgiveresilientmechanismstoprevent novelattacksduetoitshigh-levelofdiscoveringhiddenpatternsinthedata. The goalofthisworkistoprovideasetofresearchthatproposesanomaly-basedintrusion detection systemusingmachinelearninganddeeplearningtechniques.Wethenthoroughly discuss theadvantagesandtheshortcomingofeachapproach.Ourreportalsopresentsviaa summary tableacomparisonofthepresentedapproaches.Finally,ourconclusionandfuture workareidentified.*** L’internetdesobjets(IoT)estunsystèmed’objetsinterconnectésquipermetlacommu- nication deshumainsavecdifférentsappareils.Ilapus’étendreàplusieursdomainestels que lasanté,l’agriculture.Cependant,lanaturedel’architectureIotaacréédenouveaux défis desécurité,enparticulierlasécuritéduréseauIotquiprésentelaplusgrandeéchelle d’un systèmeIoT. Les systèmesdedétectiond’intrusion(IDS)àbased’anomaliessontunmoyenefficacede prévenirletraficanormaldansleréseauIot.Ilestconnuquel’architectureIoTsecomplique de jourenjour,cequirendlesméthodestraditionnellescommelesméthodesbaséessur les statistiqueoubaséessurlaconnaissancepourladétectiond’anomaliesconfrontentdes difficultés dedétectiond’attaquesinconnuesentempsréel.Parconséquent,l’apprentissage automatique etl’apprentissageprofondmontrentdesperformancesexcellentesdedétection de petitesanomaliesaufildutemps.Cestechniquesavancéesoffrentunmécanismerésilient pourempêcherdenouvellesattaquesgrâceàlagrandeaptitudededécouvertedepatterns cachésdanslesdonnées. L’objectifdecetravailestdefournirunensemblederecherchesquiontproposéunsys- tème dedétectiond’intrusionsàbased’anomaliesenutilisantdestechniquesd’apprentissage automatique etd’apprentissageprofond.Nousdiscutonsensuiteenprofondeurdesavantages et desinconvénientsdechaqueapproche.Notrerapportprésenteégalementviauntableau récapitulatif unecomparaisondesapprochesprésentées.Uneconclusionetnosfutureper- spectivessontidentifiées. | en_US |
| dc.identifier.uri | https://repository.esi-sba.dz/jspui/handle/123456789/186 | |
| dc.language.iso | en | en_US |
| dc.subject | Internet Of Things | en_US |
| dc.subject | Anomaly Detection | en_US |
| dc.subject | Machine Learning | en_US |
| dc.subject | Deep Learning | en_US |
| dc.subject | Security | en_US |
| dc.title | Anomaly-based Intrusion Detection System for IoT network using machine learning and deep learning techniques | en_US |
| dc.type | Thesis | en_US |