Embedding intrusion detection in distributed computing artificial intelligence-based routing in AD HOC networks
Başlık çevirisi mevcut değil.
- Tez No: 797892
- Danışmanlar: DOÇ. DR. DOĞU ÇAĞDAŞ ATİLLA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
MANET ağının esnekliği ve taşınabilirliği, onu diğer ağlardan ayıran bir özelliktir. Bununla birlikte, düğüm hareketliliği, merkezi olmayan yönetim ve sınırlı bant genişliği gibi nedenlerle MANET'ler, Hizmet Reddi (DoS) saldırıları gibi güvenlik tehditlerine karşı daha hassastır. MANET'leri saldırılardan korurken, şifreleme ve kimlik doğrulama şemalarının sınırları vardır. Bu nedenle, MANET'leri bu saldırılardan korumak için daha isabetli bir sisteme ihtiyacımız var. Gerçekten de, saldırı tespit sistemi (IDS) bu ağlarda uygulanmıştır. Ancak yalnızca bir izleme sistemi olduğu için ağı yeterince koruyamaz. İzinsiz giriş tespit sistemleri (IDS'ler), ağ trafiğini izledikleri ve olağandışı herhangi bir şeyi rapor ettikleri için mobil ad hoc ağlar için ikincil izleme sistemleridir. Son zamanlarda, birçok bilim adamı saldırı tespit endişelerini gidermek için derin sinir ağları (DNN'ler) kullandı. Bu çalışma, yapay sinir ağları (YSA) kullanılarak bu ağlar için MANET ağ hızı, yanıt süresi ve paket aktarım hızına odaklanmaktadır. Uçtan uca gecikme ve ortalama alıcı paket (E2E ve ARP), düğüm sayısını artırabilen yapay sinir ağları (YSA) tarafından çok sayıda algoritma, yorumlama ve veri analizi sunan derin öğrenme (DL) kullanılarak geliştirilmiştir. . Bu nedenle, Derin öğrenme (DL) algoritmaları, IDS sistemlerini eğiterek ve sistemin ortamdaki saldırıları öğrenirken kararlar almasına izin vererek onları değişen ortama daha uyumlu hale getirerek bir paketi hatadan kurtarabilir. Ayrıca istatistiksel ve mantıksal yöntemler. Bu çalışma, güvenlik standartlarının verimlilik belirlemesine odaklanarak ve bu düğümleri tanımlayarak ve sunulan üç algoritmayı kullanarak ağ saldırılarını hafifleterek kara delik saldırısını tespit etmek için MANET'i kullandı: CBPNN (Basamaklı Geri Yayılma Sinir Ağı) ve FFNN (İleri Besleme Sinir Ağı) ) yanı sıra The CNN (Convolution Neural Network). Bu algoritmalar, bir ağ simülatörü (NS 2.4) aracılığıyla veri topladıktan ve MATLAB kullanarak yukarıda belirtilen algoritmalarla eğittikten sonra ağlardaki IDS sistemlerinin etkisini artırmak için kullanılır. Sonuçlar, modelimizin diğer mevcut modellere göre daha makul ortalama paket alma (ARP) ve uçtan uca (E2E) performansına sahip olduğunu göstermektedir. Test uygulamamız, zamana göre (27s, 18s ve 17s) CBP, FFNN ve CNN'den sırasıyla %74, %82 ve %85 elde edilen umut verici sonuçlar verdi.
Özet (Çeviri)
The flexibility and mobility of the MANET network is a feature that sets it apart from other networking. Nevertheless, for reasons including node mobility, decentralized management, and restricted bandwidth, MANETs are extra susceptible to security threats like Denial-of-Service (DoS) attacks. When protecting MANETs from attack, encryption and authentication schemes have their limits. So, we need a system with more accuracy to keep MANETs from these attacks. Indeed, the intrusion detection system (IDS) has been implemented on these networks. But it cannot adequately protect the network because it is a monitoring system only. Intrusion detection systems (IDSs) are subordinate monitor systems for mobile ad hoc networks, since they monitor network traffic and report anything unusual. Recently, many scientists have employed deep neural networks (DNNs) to address intrusion detection concerns. This study focuses on MANET network speed, response time, and packet transfer rate for these networks by utilizing artificial neural networks (ANN). End-to-end delay, and average receiving packet (E2E and ARP) are enhanced by employing deep learning (DL) which introduces numerous algorithms, interpretations, and data analyses by artificial neural networks (ANN), which may increase the number of nodes. Hence, Deep learning (DL) algorithms may save a packet from failure via training IDS systems and making them more adaptable to the changing environment by allowing the system to make decisions while learning about attacks in the environment. In addition, statistical and logical methods. This study used MANET to detect the black-hole attack by focusing on security standards efficiency determination and identifying these nodes and mitigating network attacks using the three algorithms presented: The CBPNN (Cascading Back Propagation Neural Network) and The FFNN (Feed Forward Neural-Network), as well as The CNN (Convolution Neural Network). These algorithms are utilized to improve the effecting of IDS systems in the networks after collecting data through a network simulator (NS 2.4) and training it with the algorithms mentioned above using MATLAB. The results appear that our model has more reasonable average receiving packet (ARP) and end-to-end (E2E) performance than other current models. Our test implementation has yielded promising results, which have been achieved from CBP, FFNN, and CNN 74%, 82% and 85%, respectively, by the time (27s, 18s, and 17s).
Benzer Tezler
- Sürekli fonksiyonlar halkası
Başlık çevirisi yok
REFİK KESKİN
Yüksek Lisans
Türkçe
1988
MatematikKaradeniz Teknik ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. M. SAİT EROĞLU
- Dağılmalı kafesler ve kongrüans bağıntıları
Başlık çevirisi yok
HAYRETTİN KÖROĞLU
Yüksek Lisans
Türkçe
1989
MatematikEge ÜniversitesiMatematik Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET TERZİLER
- Yivli köprü sistemi
Başlık çevirisi yok
AHMET FAHRİ CİVELEK
Doktora
Türkçe
1989
Diş HekimliğiMarmara ÜniversitesiProtetik Diş Tedavisi Ana Bilim Dalı
PROF. DR. İLHAN ÇUHADAROĞLU
- Lamas (Limonlu) karst havzası (Erdemli-İçel) yeraltısuyu olanakları
Başlık çevirisi yok
GALİP YÜCE
Yüksek Lisans
Türkçe
1990
Jeoloji MühendisliğiÇukurova ÜniversitesiJeoloji Mühendisliği Ana Bilim Dalı
PROF. DR. CAVİT DEMİRKOL