تمت يوم الخميس الموافق  6/4/2023 مناقشة طالبة

الماجستير في قسم هندسة شبكات الحاسوب

 ايات طارق سالم  عن رسالته الموسومة

Utilizing Ensemble Learning Technique for Detecting IoT Malware

الاستفادة من تقنية التعلم الجماعي لاكتشاف البرامج الضارة لإنترنت الأشياء

:تألفت لجنة المناقشة من الاساتذة الافاضل

ا.د محمود خليل ابراهيم/ كليةهندسةالمعلومات/ رئيسا

  ا.م.د علاء محمد عبد الهادي / كلية الهندسة / جامعة بغداد / عضوا

ا.م.د لهيب محمد جواد / كلية هندسة المعلومات  / عضوا

 ا.م.د بان محمد خماس / كلية هندسة المعلومات  / عضوا ومشرفا

وقد استوف الطالب متطلبات الحصول على درجة الماجستير

الملخص

يتوسع إنترنت الأشياء (IoT) بسرعة في العديد من الصناعات ، بما في ذلك التكنولوجيا القابلة للارتداء وأنظمة الاستشعار والمرافق المحلية. بحلول نهاية عام 2025 ، تشير التقديرات إلى أنه سيكون هناك 63 جهازًا متصلًا في السوق. أدى هذا النمو في أجهزة إنترنت الأشياء إلى زيادة الهجمات الإلكترونية القائمة على إنترنت الأشياء. لمعالجة هذه المشكلة ، تعد مناهج التعلم الآلي (ML) والتعلم العميق (DL) أكثر الحلول ملاءمة لاكتشاف التهديدات التي تشكلها عقد إنترنت الأشياء التي تم اختراقها. تقترح هذه الدراسة تقنية كشف باستخدام خمسة    خوارزميات  للتعليم العميق LSTM) و RNN و CNN و FNN وتعلم المجموعات ) لاكتشاف البرامج الضارة في بيئة إنترنت الأشياء. يستخدم التحليل الثابت لفحص الملفات القابلة للتنفيذ ، والتي تستخرج ميزات OpCode من البايت الخام ، على عكس التحليل الديناميكي ، الذي يتطلب تنفيذ الملف القابل للتنفيذ في بيئة آمنة. تُستخدم تقنيات معالجة اللغة الطبيعية (NLP) لإنشاء مجموعة الميزات لتصنيف أكثر دقة. يتم استخدام آلية اكتساب المعلومات (IG)  كطريقة سريعة لاختيار الميزات. يتم تقييم أداء خوارزميات DL من حيث  Accuracyو precisionو recallو وقت التدريب. يُظهر تقييم خوارزميات DL الخمس على مجموعات بيانات حقيقية أن النهج المقترح يمكنه تصنيف البرامج الضارة من الملفات الحميدة بدقة اكتشاف عالية تصل إلى 99.33٪ باستخدام نموذج المجموعة.

.