Skip navigation
Please use this identifier to cite or link to this item: https://repository.esi-sba.dz/jspui/handle/123456789/561
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBRAHIMI, DOunia-
dc.contributor.authorKEBBATI, KHaoula-
dc.date.accessioned2023-10-19T08:46:08Z-
dc.date.available2023-10-19T08:46:08Z-
dc.date.issued2023-
dc.identifier.urihttps://repository.esi-sba.dz/jspui/handle/123456789/561-
dc.descriptionSupervisor : Dr. Amina SOUYAH / Ing. Mohamed NEFFAHen_US
dc.description.abstractAbstract : In an era characterized by the pervasive integration of Internet of Things applications into critical infrastructure, the imperative to fortify cybersecurity measures has never been more pressing. This master’s thesis begins with a comprehensive exploration of the current state of the art in the field of intrusion detection systems with a specific focus onMachine Learning and Deep Learning techniques. The central objective of this project is twofold: firstly, to conduct a thorough review and analysis of various techniques and methodologies proposed in the IDS domain, and secondly, to present their respective outcomes and results. The thesis delves into an extensive examination of existing intrusion detection techniques tailored explicitly for IoT environments. Through an in-depth evaluation of these methodologies, their strengths, weaknesses, and real-world applicability will be critically assessed. The study aims to identify emerging trends and advancements in ML and DL-based IDS, shedding light on their potential impact on cybersecurity practices. Furthermore, this work seeks to provide valuable insights for researchers involved in enhancing the security of IoT ecosystems and critical infrastructure. By presenting a comprehensive overview of the state of the art, this master’s thesis aims to serve as a foundational resource for informed decision-making and continued advancements in the dynamic field of intrusion detection within IoT environments.*** Résumé : À une époque caractérisée par l’intégration omniprésente des applications de l’Internet des objets dans les infrastructures critiques, l’impératif de fortifier les mesures de cybersécurité n’a jamais été aussi pressant. Ce mémoire de master commence par une exploration complète de l’état actuel de l’art dans le domaine des systèmes de détection d’intrusion, avec un accent particulier sur les techniques d’apprentissage automatique et d’apprentissage profond. L’objectif central de ce projet est double : premièrement, effectuer un examen et une analyse approfondis des différentes techniques et méthodologies proposées dans le domaine des IDS, et deuxièmement, présenter leurs résultats respectifs. La thèse se penche sur un examen approfondi des techniques de détection d’intrusion existantes conçues explicitement pour les environnements IoT. Grâce à une évaluation approfondie de ces méthodologies, leurs forces, leurs faiblesses et leur applicabilité dans le monde réel seront évaluées de manière critique. L’étude vise à identifier les tendances émergentes et les avancées dans les IDS basés sur la ML et la DL, en mettant en lumière leur impact potentiel sur les pratiques de cybersécurité. En outre, ce travail vise à fournir des informations précieuses aux chercheurs impliqués dans l’amélioration de la sécurité des écosystèmes IoT et des infrastructures critiques. En présentant une vue d’ensemble de l’état de l’art, ce mémoire de maîtrise vise à servir de ressource fondamentale pour une prise de décision éclairée et des progrès continus dans le domaine dynamique de la détection des intrusions dans les environnements IoT.en_US
dc.language.isoenen_US
dc.subjectInternet Of Thingsen_US
dc.subjectMachine Learningen_US
dc.subjectDeep Learningen_US
dc.subjectIoT Attacksen_US
dc.subjectIntrusion Detection Systemsen_US
dc.titleMachine Learning-based Intrusion Detection Systemfor IoT Applications : A State Of The Arten_US
dc.typeThesisen_US
Appears in Collections:Master

Files in This Item:
File Description SizeFormat 
Master_thesis_Final_version_kebbati_brahim-1-1.pdf113,32 kBAdobe PDFView/Open
Show simple item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.