تفاصيل الوثيقة

نوع الوثيقة : رسالة جامعية 
عنوان الوثيقة :
عنوان الرسالة: المصادقة المستمرة بين الأجهزة باستخدام تعلم الآلة لإنترنت الأشياء
DEVICE-TO-DEVICE CONTINUOUS AUTHENTICATION USING MACHINE LEARNING FOR THE INTERNET OF THINGS
 
الموضوع : كلية الحاسبات وتقنية المعلومات 
لغة الوثيقة : العربية 
المستخلص : انترنت الأشياء هو تقنية حديثة تقدم تطورا في العديد من المجالات. هذا التطور السريع يزيد من عدد الأجهزة المستخدمة وكمية البيانات السرية المتبادلة عبر الشبكة مما يسبب زيادة عدد الهجمات الأمنية. المصادقة كإحدى تقنيات الأمان الأساسية، هي عملية التحقق من صحة الهوية المقدمة. المصادقة الأولية عند بداية كل اتصال تعد غير كافية حيث يمكن اختراق الجلسة وإحداث عدد من الهجمات وكشف الخصوصية. من هنا تظهر الحاجة لتطبيق المصادقة المستمرة خلال مدة الاتصال. المصادقة المستمرة للأجهزة مطلب أساسي حيث يتم تبادل بيانات حساسة وذات قيمة عالية. نظرا للتنوع في الأجهزة والاختلاف فيما بينها ومحدودية موارد الطاقة والمعالجة، لا تزال المصادقة المستمرة للأجهزة بحاجة للمزيد من البحث والدراسة. في هذه البحث، نتدارس المصادقة المستمرة من جهاز إلى جهاز باستخدام تقنيات التعلم الآلي لاكتشاف الأجهزة غير الشرعية. وأيضا نقدم نظرة عامة شاملة على بيئة إنترنت الأشياء، والمصادقة في إنترنت الأشياء، وتحديات التي تواجه عملية المصادقة. نبحث أحدث تقنيات المصادقة بما في ذلك المصادقة المستمرة من جهاز إلى جهاز ونناقش مزاياها وقيودها. علاوة على ذلك، ندرس تواقيع الأجهزة اللاسلكية التي تستخدم كبصمة فريدة للأجهزة. بصمة الترددات اللاسلكية للأجهزة (RFF) تمثل الاختلافات الدقيقة في الإشارات المرسلة وهي تمثل تغييرات مميزة في عينات الطور (I) والطور التربيعي (Q) حيث يتم إرسال الإشارة عبر دائرة الإرسال. في هذه الرسالة، نقترح نموذج مصادقة مستمرة من جهاز إلى جهاز لأجهزة إنترنت الأشياء الذي يستخدم التعلم العميق ويعتمد على (RFF) للكشف عن الأجهزة غير المشروعة. يتم تغذية إشارات التردد اللاسلكي المرسلة بشكل متكرر أثناء الجلسة إلى نموذج التعلم العميق للتحقق من شرعية جهاز الإرسال. توضح النتائج التجريبية أن نهجنا يمكّن من تحديد أجهزة إنترنت الأشياء غير المصرح بها من خلال المصادقة المستمرة لجهاز الإرسال عبر (RFF)، وبالتالي التخفيف من انتحال هوية الأجهزة وحفظ خصوصية الأفراد والمؤسسات. بالإضافة إلى ذلك، لا يحتاج نموذجنا (RFF) للمهاجمين أثناء تدريب النموذج. قمنا بتقييم أداء نموذجنا فيما يتعلق بالصحة والدقة والاستدعاء ودرجة- ف يصل إلى ٩٩.٦٤٪، ١،٩٩.٣٠٪، ٩٩.٦٥٪ على التوالي. 
المشرف : د. سهير ظافر الشهري 
نوع الرسالة : رسالة ماجستير 
سنة النشر : 1444 هـ
2023 م 
تاريخ الاضافة على الموقع : Wednesday, August 9, 2023 

الباحثون

اسم الباحث (عربي)اسم الباحث (انجليزي)نوع الباحثالمرتبة العلميةالبريد الالكتروني
أسماء مسعد السفريAlsefri, Asmaa Masadباحثماجستير 

الملفات

اسم الملفالنوعالوصف
 49277.pdf pdf 

الرجوع إلى صفحة الأبحاث