| Titre : | A Bio-Inspired Feature Selection Method for Optimized Intrusion Detection in Smart Home IoT Networks |
| Auteurs : | SEHMI Abdelhak, Auteur ; YAGOUBI Oussama, Auteur ; GUENDOUZ Mohamed, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université Saïda – Dr. Tahar Moulay – Faculté des Mathématiques, de l’Informatique et de Télécommunications, 2024/2025 |
| Format : | 94ص |
| Accompagnement : | CD |
| Langues: | Anglais |
| Index. décimale : | BUC-M 003695 |
| Catégories : | |
| Résumé : |
الملخص ُ
تُعد ُُالهجمات ُالسبرانية ُتهديدُا ُحقيقيُا ُلألنظمة ُالمعلوماتية، ُمما ُيستدعي ُالكشف ُالمبكر ُعنها ُللحد ُمن ُأنشطة ُالهكر ُوحماية ُالبياناتُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُُ ُُُُُُُ ُُُُُُُُُُُُُُُُُُُُُُُُ ُُ ُُُ الحساسة.ُمنُالضروريُتأمينُاألنظمةُعبرُتطويرُوسائلُذكيةُتعتمدُعلىُتقنياتُالتعلمُاآللي(ML) ُُالتي ُتمكُن ُمن ُتحليلُُُُُُُُُُُُ ُُُُُُُُ السلوكُواكتشافُاألنماطُغيرُالطبيعية.ُمنُأبرزُهذهُالوسائلُأنظمةُكشفُالتسلل(IDS) ُالتيُتستفيدُمنُالذكاءُاالصطناعي لتحسينُدقتها.ُكماُيمكنُاستعمالُخوارزمياتُمستوحاةُمنُالطبيعةُمثلPSO (Particle Swarm Optimization)وGA ُ (Genetic Algorithm)ُفيُاختيارُالخصائصُوتحسينُأداءُالكشف.ُهذهُاألساليبُتساهمُبشكلُفعالُفيُرفعُمستوىُاألمان السيبراني.قمنا بإجراء سلسلة من التجارب باستخدام مجموعة من خوارزميات التصنيف تشملKNN،LR،NB،SVM، MLP،RF، وDT، وذلك بهدف تحسين أداء نظام كشف التسلل من خالل استخدام خوارزميةPSOالختيار الميزات. أظهرت النتائج أن تطبيقPSOساهم في تحسين دقة التصنيف وتقليل عدد الميزات في معظم الحاالت. من بين جميع المصنفات، حققت خوارزميةDecision Tree (DT)أفضل أداء، حيث سجلت دقة عالية مع عدد ميزات أقل مقارنة بالخوارزميات األخرى، مما يدل على فعاليتها في بناء نظام كشف تسلل أكثر كفاءة وأقل تعقيدا. Abstract Cyberattacks pose a serious threat to information systems, making early detection essential to limit hackers’ activities and protect sensitive data. Securing systems requires the development of intelligent methods based on Machine Learning (ML) techniques that analyze behavior and detect anomalies. One of the most effective tools is Intrusion Detection Systems (IDS), which leverage AI to improve accuracy. Nature-inspired algorithms such as Particle Swarm Optimization (PSO) and Genetic Algorithm (GA) can also be used for feature selection and enhancing detection performance. These approaches play a vital role in strengthening cybersecurity. We conducted a series of experiments using several classification algorithms, including KNN, LR, NB, SVM, MLP, RF, and DT, with the aim of enhancing intrusion detection performance through PSO-based feature selection. The results showed that PSO improved classification accuracy while reducing the number of features in most cases. Among all classifiers, the Decision Tree (DT) algorithm achieved the best performance, attaining high accuracy with fewer selected features compared to the other models. This highlights its effectiveness in building a more efficient and less complex intrusion detection system. Résumé Les cyberattaques représentent une menace sérieuse pour les systèmes d'information, rendant la détection précoce essentielle pour limiter les activités des hackers et protéger les données sensibles. La sécurisation des systèmes nécessite le développement de méthodes intelligentes basées sur l'apprentissage automatique (Machine Learning) permettant d'analyser les comportements et de détecter les anomalies. Parmi les outils les plus efficaces figurent les systèmes de détection d'intrusion (IDS), qui utilisent l'intelligence artificielle pour améliorer leur précision. Des algorithmes inspirés de la nature, tels que PSO (Particle Swarm Optimization) et GA (Genetic Algorithm), peuvent également être utilisés pour la sélection de caractéristiques et l'amélioration des performances de détection. Ces approches jouent un rôle crucial dans le renforcement de la cybersécurité. Nous avons mené une série d’expériences en utilisant plusieurs algorithmes de classification, notamment KNN, LR, NB, SVM, MLP, RF et DT, dans le but d’améliorer la performance du système de détection d’intrusion grâce à la sélection de caractéristiques basée sur l’algorithme PSO. Les résultats ont montré que l’utilisation de PSO a permis d’améliorer la précision de classification tout en réduisant le nombre de caractéristiques dans la plupart des cas. Parmi tous les classifieurs, l’algorithme Decision Tree (DT) a obtenu les meilleures performances, en atteignant une précision élevée avec un nombre de caractéristiques sélectionnées inférieur par rapport aux autres modèles, ce qui démontre son efficacité dans la conception d’un système de détection d’intrusion plus performant et moins complexe. |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 003695 Adobe Acrobat PDF |
