ترجمه فارسی مقاله افزایش تشخیص حملات DoS و Brute Force در محیط MQTT از طریق مهندسی ویژگی و به‌کارگیری یک تکنیک گروهی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Enhance the Detection of DoS and Brute Force Attacks within the MQTT Environment through Feature Engineering and Employing an Ensemble Technique
عنوان مقاله به فارسی افزایش تشخیص حملات DoS و Brute Force در محیط MQTT از طریق مهندسی ویژگی و به‌کارگیری یک تکنیک گروهی
نویسندگان Abdulelah Al Hanif, Mohammad Ilyas
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
دسته بندی موضوعات Networking and Internet Architecture,شبکه سازی و معماری اینترنت ,
توضیحات Submitted 1 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 760,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The rapid development of the Internet of Things (IoT) environment has introduced unprecedented levels of connectivity and automation. The Message Queuing Telemetry Transport (MQTT) protocol has become recognized in IoT applications due to its lightweight and efficient features; however, this simplicity also renders MQTT vulnerable to multiple attacks that can be launched against the protocol, including denial of service (DoS) and brute-force attacks. This study aims to improve the detection of intrusion DoS and brute-force attacks in an MQTT traffic intrusion detection system (IDS). Our approach utilizes the MQTT dataset for model training by employing effective feature engineering and ensemble learning techniques. Following our analysis and comparison, we identified the top 10 features demonstrating the highest effectiveness, leading to improved model accuracy. We used supervised machine learning models, including Random Forest, Decision Trees, k-Nearest Neighbors, and XGBoost, in combination with ensemble classifiers. Stacking, voting, and bagging ensembles utilize these four supervised machine-learning methods to combine models. This study's results illustrate the proposed technique's efficacy in enhancing the accuracy of detecting DoS and brute-force attacks in MQTT traffic. Stacking and voting classifiers achieved the highest accuracy of 0.9538. Our approach outperforms the most recent study that utilized the same dataset.

چکیده به فارسی (ترجمه ماشینی)

توسعه سریع محیط اینترنت اشیاء (IoT) سطح بی سابقه اتصال و اتوماسیون را معرفی کرده است.پروتکل پیام حمل و نقل تله متری (MQTT) به دلیل ویژگی های سبک و کارآمد در برنامه های IoT شناخته شده است.با این حال ، این سادگی همچنین MQTT را در برابر حملات متعدد که می توانند علیه پروتکل انجام شود ، از جمله انکار سرویس (DOS) و حملات بی رحمانه ، آسیب پذیر می کند.این مطالعه با هدف بهبود تشخیص DOS نفوذ و حملات بی رحمانه در یک سیستم تشخیص نفوذ ترافیک MQTT (IDS) انجام شده است.رویکرد ما با استفاده از تکنیک های مهندسی ویژگی و یادگیری گروه ، از مجموعه داده MQTT برای آموزش مدل استفاده می کند.پس از تجزیه و تحلیل و مقایسه ما ، ما 10 ویژگی برتر را نشان دادیم که بالاترین اثربخشی را نشان می دهد و منجر به بهبود دقت مدل می شود.ما از مدل های یادگیری ماشین نظارت شده ، از جمله جنگل های تصادفی ، درختان تصمیم گیری ، همسایگان K-Nearest و XGBOOST در ترکیب با طبقه بندی کننده های گروه استفاده کردیم.جمع آوری ، رأی گیری و جمع آوری گروههای موسیقی از این چهار روش نظارت بر ماشین برای ترکیب مدل ها استفاده می کنند.نتایج این مطالعه نشان دهنده اثربخشی تکنیک پیشنهادی در افزایش صحت تشخیص DOS و حملات بی رحمانه در ترافیک MQTT است.طبقه بندی کننده های انباشته و رأی دهی به بالاترین دقت 0.9538 رسیدند.رویکرد ما از جدیدترین مطالعه ای که از همان مجموعه داده استفاده می کند بهتر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.