Geri Dön

Design of advanced anomaly detection system based on hybrid machine learning technique with optimized feature selection in wireless sensor network

Kablosuz sensör ağında optimize edilmış özellik seçimi ile hibrit makine öğrenmesi tekniğine dayalı gelişmiş anomali tespit sistemi tasarımı

PDF İndir

  1. Tez No: 936399
  2. Yazar: TAHA FAKHRI ABD ALHAMZA ALMSHHED
  3. Danışmanlar: DOÇ. DR. SEFER KURNAZ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Altınbaş Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Şu anda, Kablosuz Sensör Ağı (WSN), çok sayıda sensör düğümüne dayalı olarak çalışan kablosuz iletişim sisteminde önemli bir rol oynamaktadır. WSN'nin geliştirilmesi daha popüler hale geldi ve çok yönlülüğün doğası daha fazla güvenlik endişesine yol açtı ve içindeki anormalliği önlemeyi zorlaştırdı. WSN'deki temel ve zorlu görevlerden biri güvenlik endişesidir. Ağda bulunan anormalliği tespit etmek, WSN'nin güvenliğini sağlamak için en büyük zorluk haline gelir. Genel olarak, WSN'ler, düğümlerin hasar görmesine ve yanlış tespit oluşturmasına neden olan farklı bir tehdit türünden etkilenir. Bu nedenle, yanlış alarmı en aza indirmek için anormalliği belirlemek gerekir. Dahası, sensör düğümleri tarafından toplanan verilerin kalitesi, okuma hataları, kötü niyetli saldırılar, arızalar ve olağandışı olaylar gibi farklı nedenlerle üretilen anormalliklerden esas olarak etkilenir. Bu nedenle, kararlar almak için kullanılmadan önce sensör verilerinin kalitesini sağlamak için anormallik tespitini işlemek önemlidir. WSN'de, anormallik tespiti, anormalliği veya olağandışı olayı belirlemek için önemli bir işlemdir. Ancak, zamanında anomali tanımlaması, gerçek zamanlı olarak güvenilir bir şekilde yürütülmesi için daha karmaşıktır. WSN'de güvenli ve güvenilir bir işlem için etkili anomali tespiti daha gereklidir. Ancak, standart anomali tespit teknikleri genellikle verilerin gizliliğini yeterince güvence altına almada ve WSN'deki karmaşık, belirli ve benzersiz ihlalleri tespit etmede başarısız olur. Ayrıca, mevcut anomali tespit modelleri yalnızca sabit ortamda işlem yapar ve tüm eğitim verilerini düğümde tutması gerekir. Bu sınırlamaları gidermek için, WSN'deki anomalilerin varlığını etkili bir şekilde tespit etmek için yeni bir Hibrit Makine Öğrenme Tekniği (HMLT) tanıtılmıştır. Gelişmiş hibrit teknik, tespit performansını artırmak ve gizliliği korumak için tasarlanmıştır. Başlangıçta, WSN'den gerekli veriler mevcut veri kaynağından toplanır. Ayrıca, ham verilerden önemli özellik, optimum özellik seçimi süreci kullanılarak seçilir. Burada, optimum özellik seçimini elde etmek için Secretary Bird Optimizasyon Algoritması (SBOA) kullanılır. Son olarak, HMLT, hibrit sınıflandırıcının Derin İnanç Ağı (DBN) ile Bayes Öğrenme (BL) kombinasyonu olduğu tespit görevini gerçekleştirmek için uygulanır. Model, belirli bir veri kümesi için HMLT kullanılarak WSN'deki anomalilerin oluşumunu belirlemek için özel olarak geliştirilmiştir. Tasarlanan yaklaşımın geleneksel modelle birlikte tespit yeteneğini analiz etmek için kapsamlı karşılaştırmalı analiz gerçekleştirilir. Ortaya çıkan sonuç, önerilen yaklaşımın anomaliyi tespit etmede diğer standart modellerden daha iyi performans gösterdiğini tanımlar.

Özet (Çeviri)

At present, the Wireless Sensor Network (WSN) plays a pivotal role in the wireless communication system that works based on a large number of sensor nodes. The development of the WSN has become more popular and the nature of versatility resulted in more security concerns and making it hard for the investigation to prevent the anomaly in it. One of the essential and challenging tasks in WSN is the security concern. Detecting the anomaly present in the network becomes the major challenge to ensure the security of WSN. In general, WSNs are affected by a different type of threats that tends the nodes to get damaged and form the wrong determination. Therefore, it is necessary to identify anomalous to minimize the false alarm. Moreover, the quality of the data gathered by the sensor nodes is mainly affected by the anomalies that are produced because of different reasons like reading errors, malicious attacks, failures, and unusual events. Hence it is significant to process the anomaly detection to ensure the quality of the sensor data before it is used to make decisions. In WSN, anomaly detection is the significant process to determine the anomaly or unusual event. However, timely anomaly identification is more complex to function to execute reliably in real-time. For the secure and reliable operation in the WSN, effective anomaly detection is more necessary. However, the standard anomaly detection techniques often fail to adequately secure the privacy of the data and identify the complex, particular, and unique breaches in the WSN. Also, the present anomaly detection models only process under the stationary environment and need to keep all the training data in the node. To address these limitations, a novel Hybrid Machine Learning Technique (HMLT) is introduced to effectively detect the presence of anomalies in WSN. The advanced hybrid technique is designed to enhance the detection performance and safeguard privacy. Initially, the required data from the WSN is collected from the available data resource. Further, the significant feature from the raw data is selected using the optimal feature selection process. Here the Secretary Bird Optimization Algorithm (SBOA) is used to achieve the optimal feature selection. Finally, the HMLT is implemented to perform the detection task, in which the hybrid classifier is the combination of the Deep Belief Network (DBN) along with the Bayesian Learning (BL). The model is specifically developed to identify the occurrence of anomalies in WSN using the HMLT for a given dataset. Extensive comparative analysis is performed to analyze the detection capability of the designed approach along with the conventional model. The resulting outcome defines that the proposed approach performs greater in detecting the anomaly than other standard modelsAt present, the Wireless Sensor Network (WSN) plays a pivotal role in the wireless communication system that works based on a large number of sensor nodes. The development of the WSN has become more popular and the nature of versatility resulted in more security concerns and making it hard for the investigation to prevent the anomaly in it. One of the essential and challenging tasks in WSN is the security concern. Detecting the anomaly present in the network becomes the major challenge to ensure the security of WSN. In general, WSNs are affected by a different type of threats that tends the nodes to get damaged and form the wrong determination. Therefore, it is necessary to identify anomalous to minimize the false alarm. Moreover, the quality of the data gathered by the sensor nodes is mainly affected by the anomalies that are produced because of different reasons like reading errors, malicious attacks, failures, and unusual events. Hence it is significant to process the anomaly detection to ensure the quality of the sensor data before it is used to make decisions. In WSN, anomaly detection is the significant process to determine the anomaly or unusual event. However, timely anomaly identification is more complex to function to execute reliably in real-time. For the secure and reliable operation in the WSN, effective anomaly detection is more necessary. However, the standard anomaly detection techniques often fail to adequately secure the privacy of the data and identify the complex, particular, and unique breaches in the WSN. Also, the present anomaly detection models only process under the stationary environment and need to keep all the training data in the node. To address these limitations, a novel Hybrid Machine Learning Technique (HMLT) is introduced to effectively detect the presence of anomalies in WSN. The advanced hybrid technique is designed to enhance the detection performance and safeguard privacy. Initially, the required data from the WSN is collected from the available data resource. Further, the significant feature from the raw data is selected using the optimal feature selection process. Here the Secretary Bird Optimization Algorithm (SBOA) is used to achieve the optimal feature selection. Finally, the HMLT is implemented to perform the detection task, in which the hybrid classifier is the combination of the Deep Belief Network (DBN) along with the Bayesian Learning (BL). The model is specifically developed to identify the occurrence of anomalies in WSN using the HMLT for a given dataset. Extensive comparative analysis is performed to analyze the detection capability of the designed approach along with the conventional model. The resulting outcome defines that the proposed approach performs greater in detecting the anomaly than other standard models

Benzer Tezler

  1. Tez No

    488058

    Ağ trafiğinin analizi, anomali tespiti ve değerlendirme

    Analysis of network traffic, anomaly detection and evaluation

    AKIN ASLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. ENVER ÖZDEMİR

  2. Tez No

    959126

    Data-driven anomaly detection for airspace security using ADS-B surveillance data

    ADS-B gözetim verisi ile hava sahası güvenliği için veri tabanlı anomali tespiti

    ABDULLAH ÇERKEZOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DOÇ. BARIŞ BAŞPINAR

  3. Tez No

    928263

    Veri merkezleri için makine öğrenmesi temelli izleme sistemi tasarımı

    Machine learning based monitoring system design for data centers

    METEHAN HAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULLAH SEVİN

  4. Tez No

    752892

    Human factor based advanced driver-assistance system (ADAS) design for electric vehicle

    Elektrikli araç için insan faktörü tabanlı gelişmiş sürücü yardım sistemi (ADAS) tasarımı

    DAĞHAN DOĞAN

    Doktora

    İngilizce

    İngilizce

    2022

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. OVSANNA SETA ESTRADA

  5. Tez No

    255624

    An extensible framework for automated network attack signature generation

    Genişletilebilir bir otomatik ağ saldırı imzası tespiti çatısı

    SERKAN KENAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    YRD. DOÇ. DR. P. ERHAN EREN

Geri Dön