| Abstract |
Lietu internets ir strauji attīstās joma, kas savieno visas ierīces, lai apmainītos ar informāciju, izmantojot internetu. Uz IoT balstītu risinājumu izmantošana ir krasi palielinājusies dažādās nozarēs, piemēram, lauksaimniecībā, veselības aprūpē, viedajās pilsētās un viedās mājas lietojumprogrammās. kibernoziedznieki vairāk koncentrējas uz IoT tīkliem, lai veiktu dažādus sarežģītus uzbrukumus. Šajā maģistra darbā galvenā uzmanība tika pievērsta IoT drošības uzlabošanai, piedāvājot uz mašīnmācīšanos balstītu ielaušanās atklāšanas sistēmu ar draudu izlūkošanu. autore pētīja IoT ierīces, arhitektūras, drošības izaicinājumus, IDS galvenās iezīmes, iespējamās draudu izlūkošanas priekšrocības un IoT vides draudu ainavu. Autors pētīja dažādus uz ML balstītus IDS IoT tīkliem un atklāja, ka uz ML balstīti IDS risinājumi izmanto centralizētu mācību pieeju, kas pārkāpj lietotāju privātumu un rada lielu tīkla latentumu. Tika veikta intensīva izpēte, lai atrastu piemērotu mašīnmācības algoritmu. Tika izvēlēts apvienotais mācību algoritms, kas izplata ML modeli pa IoT ierīcēm, lai saglabātu privātumu un mazinātu latentumu. Ierosināja draudu izlūkošanas integrācijas paņēmienu, kas var palīdzēt mazināt nulles dienas uzbrukumus. Lai apstiprinātu ierosināto apvienoto mācību IDS, eksperimenti tika veikti ar IoT datu kopām CICIoT2023, MQTTset un Bot-IoT. Ziedu ietvars tika izmantots, lai ieviestu apvienoto uz mācībām balstītu IDS. Katrā datu kopā ir vairāki klienti, un modeļa veiktspēja tiek mērīta ar precizitātes un zaudējumu metriku. CICIoT2023 sasniedza 99% precizitāti un 0,07 zaudējumus, MQTTset sasniedza 84% precizitāti un 0,24 zaudējumus, un Bot-IoT sasniedza 100% precizitāti bez zaudējumiem. Rezultāti parādīja apvienotās mācīšanās efektivitāti dažādās datu kopās.
Darbs sastāv no 100 lapām, 33 attēliem, 4 tabulām, 2 pielikumiem, 141 literatūras avotiem. |
