| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Kiberdrošības inženierija |
| Nosaukums |
Uzbrukumu izpēte un analīze lietu interneta elementiem transporta sistēmā un iespējamie risinājumi to novēršanai |
| Nosaukums angļu valodā |
Research and Analysis of Attacks on Internet of Things (IoT) Elements in the Transport System and Possible Solutions for Their Prevention |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Antons Patļins |
| Recenzents |
Dmitrijs Bļizņuks |
| Anotācija |
Pēdējā laikā bezvadu sakari un IoT (lietiskais internets) ieņem galveno lomu transporta sistēmā, jo īpaši VANET (transportlīdzekļu ad-hoc tīklā). Tas nodrošina efektīvu transportlīdzekļu saziņu gan V2I (Vehicle to Infrastructure), gan V2V (Vehicle to Vehicle). Sakaru tīkls ir pakļauts vairākiem uzbrukumiem, piemēram, DoS uzbrukumam, izplūdušam uzbrukumam, uzdošanās uzbrukumam utt. Ir ļoti svarīgi atklāt šos uzbrukumus, lai uzlabotu transporta sistēmas drošību. Vairākas parastās sistēmas mēģināja labāk noteikt uzbrukumus transporta sistēmā, taču tām ir daži ierobežojumi, piemēram, precizitāte, ātrums un lielāku datu apstrāde. Lai novērstu ierobežojumus, piedāvātais modelis izmanto īpašu procedūru kopumu uzbrukuma noteikšanai transporta sistēmā. Sākotnēji piedāvātā modeļa drošību uzlabo datu šifrēšana un atšifrēšana, izmantojot AES un ECC. Turklāt uzlabotais uz meklēšanas iespējām balstīts ģenētiskais algoritms tiek izmantots funkciju atlasei, lai atlasītu svarīgās funkcijas un noņemtu nevēlamās funkcijas datos. Visbeidzot, MDCNN-BiLSTM-AM (modificēts dziļais CNN un BiLSTM ar uzmanības mehānismu) tiek izmantots uzbrukuma noteikšanai transporta sistēmā. Deep CNN tiek izmantots, lai nodrošinātu lielāku datu kopu apstrādes efektivitāti un precizitāti. Lai gan tas ir efektīvs klasifikators, tam ir daži ierobežojumi, piemēram, pārmērīga uzstādīšana un ātrums. Lai novērstu ierobežojumus, Deep-CNN tiek izmantots kopā ar BiLSTM, lai nodrošinātu lielu ātrumu, pārmērīgu pielāgošanu un precizitāti. Turklāt piedāvātajā modelī tiek izmantots uzmanības pievēršanas mehānisms, lai koncentrētos uz nozīmīgām funkcijām. Attiecīgi piedāvātajā modelī tiek izmantota CAN datu kopa. Piedāvātā modeļa efektivitāte tiek aprēķināta, izmantojot veiktspējas metriku piedāvātā modeļa efektivitātes pārbaudei. Turklāt ierosinātais modelis tiek iekšēji salīdzināts ar LSTM un ārēji salīdzināts ar citām parastajām sistēmām, lai atklātu piedāvātā modeļa efektivitāti.
Pašreizējais maģistra darbs sastāv no 90 lapām, tajā skaitā 14 tabulas, 14 attēli, 21 vienādojums un literatūras saraksts. |
| Atslēgas vārdi |
IoT, transporta sistēmas, uzbrukumi, dziļa mācīšanās, kiberuzbrukums. |
| Atslēgas vārdi angļu valodā |
IOT, Transportation Systems, Attacks, Deep Learning, Cyber-Attack. |
| Valoda |
eng |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
30.05.2023 20:54:53 |
