Anomalioiden havaitseminen langattomissa sensoriverkoissa syväoppimisen avulla
Tekijät
Päivämäärä
2019Tekijänoikeudet
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
Globaalista IP-verkkoliikenteestä yhä suuremmasta osuudesta vastuussa olevat uuden sukupolven langattomat verkot ja mobiili- sekä IoT-sovellukset ovat jalkautumassa aina kriittisen infrastruktuurin järjestelmiin asti. Fyysisen ja digitaalisen maailman rajapinnassa osana IoT-sovelluksia toimivat langattomat sensoriverkot ovat alttiita laajalle kirjolle erilaisia tietoturvauhkia niiden avoimen luonteen, IoT-sovellusten teknologisen kypsymättömyyden ja alati kehittyvän kyberrikollisuuden vuoksi. Langattomien sensoriverkkojen suojaaminen kyberhyökkäyksiltä ja muulta niiden luotettavaa toimintakykyä uhkaavalta ja vahingoittavalta toiminnalta on tärkeä tutkimusaihe. Tässä työssä tutkittiin hiljattain julkaistun esineiden internetin sovellusympäristöä jäljittelevän Bot-IoT -datajoukon avulla verkkohyökkäyksien tunnistamista anomalioiden havaitsemisen keinoin käyttämällä moderneja syväoppimismenetelmiä. Työssä implementoidaan ja vertaillaan neljää autoenkooderiarkkitehtuuriin perustuvaa yksinkertaista ja laskennallisesti kevyttä syväoppimismallia. Suorituskykyisin toistuvaan neuroverkkoon perustuva LSTM-autoenkooderi kykeni tunnistamaan yli 3,6 miljoonaa hyökkäystä jättäen vain 101 hyökkäystä tunnistamatta. Työssä tehdyn kaltaista tutkimusta Bot-IoT -datajoukkoon ei ole tiedeyhteisössä aiemmin toteutettu eikä vastaavia tuloksia ole ennen saatu. Lisäksi työssä annetaan kattava teoreettinen tausta tunnetuimmista syväoppimismenetelmistä ja niiden soveltamisesta anomalioiden havaitsemiseen.
...
The next-generation wireless and mobile networking as well as IoT applications accounting for an ever-increasing share of the global IP network traffic are being widely deployed reaching critical infrastructures. Acting as an interface between the physical and the digital world in IoT applications, wireless sensor networks are exposed to a wide range of information security threats due to their open nature of communications, the technological immaturity of IoT solutions and the accelerating growth of cybercrime. Protecting wireless sensor networks from cyberattacks and other factors that may impair the continuity of their secure and reliable operations is an important area of research. In this thesis, the ability of detecting network attacks with methods based on deep learning using principles from anomaly detection was investigated by a recently published dataset called Bot-IoT that incorporates flow-based network traffic from an IoT environment. Four different lightweight deep learning based autoencoders were implemented for evaluation and comparison purposes. The results demonstrated the superiority of the recurrent LSTM-autoencoder model by detecting over 3.6 million attacks while leaving only 101 attacks undetected. The empirical study conducted in this thesis with the Bot-IoT -dataset is the first of its kind in the scientific community and similar results have not yet been published. In addition, a comprehensive theoretical background of the most common deep learning methods and their applicability to anomaly detection is given.
...
![showless](/themes/JYX2//images/showless.png)
![showmore](/themes/JYX2//images/showmore.png)
![showless](/themes/JYX2//images/showless.png)
![showmore](/themes/JYX2//images/showmore.png)
Asiasanat
Metadata
Näytä kaikki kuvailutiedotKokoelmat
- Pro gradu -tutkielmat [29015]
Samankaltainen aineisto
Näytetään aineistoja, joilla on samankaltainen nimeke tai asiasanat.
-
Langattomien sensoriverkkoteknologioiden soveltaminen älykodissa : muistisairaan paikantaminen
Silvennoinen, Mika (2019)Työssä esitellään älykotiratkaisuja lähinnä terveydenhuollon näkökulmasta. Lisäksi läpikäydään älykotien langattomaan tiedonsiirtoon liittyviä teknologioita. Empiirisessä osuudessa selvitetään muistisairaan vanhuksen ... -
UAV-Aided Secure Short-Packet Data Collection and Transmission
Chen, Xinying; Zhao, Nan; Chang, Zheng; Hämäläinen, Timo; Wang, Xianbin (Institute of Electrical and Electronics Engineers (IEEE), 2023)Benefiting from the deployment flexibility and the line-of-sight (LoS) channel conditions, unmanned aerial vehicle (UAV) has gained tremendous attention in data collection for wireless sensor networks. However, the ... -
Energy Efficient Resource Allocation for Wireless Powered UAV Wireless Communication System with Short Packet
Xie, Jin; Chang, Zheng; Guo, Xijuan; Hämäläinen, Timo (Institute of Electrical and Electronics Engineers (IEEE), 2022)The unmanned aerial vehicle (UAV), which is prominent in its flexibility and low cost, is considered to be fully utilized in the future wireless communication system to provide flexible services and improve connectivities. ... -
Simultaneous harvest-and-transmit ambient backscatter communications under Rayleigh fading
Jameel, Furqan; Ristaniemi, Tapani; Khan, Imran; Lee, Byong Moo (Springer, 2019)Ambient backscatter communications is an emerging paradigm and a key enabler for pervasive connectivity of low-powered wireless devices. It is primarily beneficial in the Internet of things (IoT) and the situations where ... -
Energy Efficient Resource Allocation for Wireless Powered UAV Wireless Communication System with Short Packet
Xie, Jin; Chang, Zheng; Guo, Xijuan; Hämäläinen, Timo (Institute of Electrical and Electronics Engineers (IEEE), 2023)The unmanned aerial vehicle (UAV), which is prominent in its flexibility and low cost, is considered to be fully utilized in the future wireless communication system to provide flexible services and improve connectivities. ...
Ellei toisin mainittu, julkisesti saatavilla olevia JYX-metatietoja (poislukien tiivistelmät) saa vapaasti uudelleenkäyttää CC0-lisenssillä.