Bücher von Muhammad Jahanzaib Gul

Nos gusta tener soluciones sencillas y automatizadas , pero estas soluciones sencillas y automatizadas en tecnología también pueden contener riesgos si no se tratan adecuadamente . Es necesario centrarse en laseguridad y la privacidad de IoT .Puede haber múltiples tipos de ataques en las redes IoT que pueden dañar el dispositivo o robar información confidencial. Por lo tanto, las técnicas deinteligencia artificial (IA )tienen la capacidad de detectar y clasificar un comportamiento de red desconocido mediante el aprendizaje de los patrones de ataques de red basados en grandes volúmenes de datos históricos. Utilizamos elconjunto de datos Aposemat IoT-23 , investigamos los antecedentes e implementamos los algoritmos de aprendizaje automático como Decision Tree, Random Forest y Naive Bayes. También comparamos la precisión entre estos algoritmos de aprendizaje automático en el conjunto de datos IoT-23 y mostramos el algoritmo de aprendizaje automático más eficiente según los resultados utilizando el conjunto de datos Aposemat IoT-23, así como mostramos técnicas de ingeniería de características para preprocesar el conjunto de datos mencionado para la detección y clasificación de ataques de red IoT.

Wir mögen einfache und automatisierte Lösungen , aber diese einfachen und automatisierten Lösungen in der Technologie können auch Risiken enthalten, wenn sie nicht richtig gehandhabt werden. IoT-Sicherheits- und Datenschutzbelange müssen imMittelpunkt stehen. Es kann mehrere Arten von Angriffen auf IoT-Netzwerke geben, die das Gerät beschädigen oder die sensiblen Informationen stehlen können . Daher haben Techniken der künstlichen Intelligenz (KI) dieFähigkeit, ein unbekanntes Netzwerkverhalten zu erkennen und zu klassifizieren , indem sie die Muster von Netzwerkangriffen aufder Grundlage großer Mengen historischer Daten erlernen . Wir haben den Aposemat IoT-23-Datensatz verwendet , den Hintergrund untersucht und die Algorithmen des maschinellen Lernens wie Entscheidungsbaum, Random Forest und Naive Bayes implementiert . Wir verglichen auch die Genauigkeit zwischen diesen maschinellen Lernalgorithmen auf dem IoT-23-Datensatz und zeigten den effizientesten maschinellen Lernalgorithmus gemäß den Ergebnissen, indem wir den Aposemat IoT-23-Datensatz verwendeten , sowieFeature-Engineering-Techniken zur Vorverarbeitung des erwähnten Datensatzes für die Erkennung und Klassifizierung von IoT-Netzwerkangriffen.

Gostamos de ter soluções simples e automatizadas , mas essas soluções simples e automatizadas em tecnologia também podem conter riscos se não forem tratadas correctamente. As preocupações com a segurança e a privacidade da I oT têm de ser focadas. Pode haver vários tipos de ataques às redes IoT que podem danificar o dispositivo ou roubar informações sensíveis. Por conseguinte, as técnicas deinteligência artificial (IA) têm a capacidade de detectar e classificar um comportamento de rede desconhecido , aprendendo os padrões de ataques de rede com base em grandes volumes de dados históricos. Utilizámoso conjunto de dados Aposemat IoT-23 , investigámos os antecedentes e implementámos os algoritmos de aprendizagem automática , como o Decision Tree, o Random Forest e o Naive Bayes. Também comparámosa precisão entre estes algoritmos de aprendizagem automática no conjunto de dados IoT-23 e mostrámos o algoritmo de aprendizagem automática mais eficiente , deacordo com os resultados, utilizando o conjunto de dados Aposemat IoT-23, bem como mostrámos técnicas de engenharia de características para pré-processar o conjunto de dados mencionado para detecção e classificação de ataques à rede IoT.

Ci piace avere soluzioni semplici e automatizzate , ma queste soluzioni semplici e automatizzate nella tecnologia possono anche contenere dei rischi se non vengono gestite in modo appropriato. Lepreoccupazioni per la sicurezza e la privacy dell'IoT devono essere messe a fuoco. Ci possono essere diversi tipi di attacchi sulle reti IoT che possono danneggiare il dispositivo o rubare le informazioni sensibili. Pertanto, le tecniche di intelligenza artificiale (AI) hanno la capacità di rilevare e classificare un comportamento di rete sconosciuto imparando i modelli di attacchi di rete basati su grandi volumi di dati storici. Abbiamo usato il dataset Aposemat IoT-23 , abbiamo studiato il contesto e implementato gli algoritmi di apprendimento automatico come Decision Tree, Random Forest e Naive Bayes. Abbiamo anche confrontato l'accuratezza tra questi algoritmi diapprendimento automatico sul dataset IoT-23 e abbiamo mostrato l'algoritmo di apprendimento automatico più efficiente in base ai risultati ottenuti utilizzando il dataset Aposemat IoT-23, oltre a mostrare le tecniche di feature engineering per preprocessare il dataset citato per il rilevamento e la classificazione degli attacchi di rete IoT.

Nous aimons avoir des solutions simples et automatisées , mais ces solutions technologiques simples et automatisées peuvent également contenir des risques si elles ne sont pas gérées correctement. Lesproblèmes de sécurité et de confidentialité de l'IdO doivent être pris en compte. Il peut y avoir de nombreux types d'attaques sur les réseaux IdO qui peuvent endommager l'appareil ou voler des informations sensibles .Parconséquent, les techniques d'intelligence artificielle(IA )ont la capacité de détecter et de classer un comportement de réseau inconnu en apprenant les modèles d'attaques de réseau basés sur de grands volumes de données historiques .Nous avons utilisé l'ensemble de données Aposemat IoT-23 , étudié le contexte et mis en ¿uvre les algorithmes d'apprentissage automatique tels que Decision Tree, Random Forest et Naive Bayes. Nous avons égalementcomparé la précision de ces algorithmes d'apprentissage automatique sur l'ensemble de données IoT-23 et montré l'algorithme d'apprentissage automatique le plus efficace selon les résultats en utilisant l'ensemble de données Aposemat IoT-23, ainsi que des techniques d'ingénierie des caractéristiques pour prétraiter l'ensemble de données mentionné pour la détection et la classification des attaques de réseau IoT.

We like to have simple and automated solutions but these simple and automated solutions in technology could also contains risks if not deal properly. IoT security and privacy concerns are needs to be focus. There can be multiple types of attack on IoT networks which can damage the device or steal the sensitive information. Therefore, artificial intelligence (AI) techniques has an ability to detect and classify an unknown network behavior by learning the network attacks patterns based on large volumes of historical data. we used Aposemat IoT-23 dataset, investigate the background and implement the machine learning algorithms such as Decision Tree, Random Forest and Naive Bayes. We also compared the accuracy among these machine learning algorithms on the IoT-23 dataset and showed the most efficient machine learning algorithm as per results by using Aposemat IoT-23 dataset, as well as showed feature engineering techniques to preprocess the mentioned dataset for detection and classification of IoT network attacks.