Mohammed, Abdul Sami (2026) Deep Reinforcement Learning for Moving Target Defense Deployment on Resource-Constrained Devices. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis_Final_g202402600.pdf - Accepted Version Restricted to Repository staff only until 29 June 2027. Download (11MB)

Arabic Abstract

مع ازدياد انتشار شبكات إنترنت الأشياء بشكل واسع، فإن محدودية مواردها الحوسبية تجعلها عُرضة بشكل مستمر للتهديدات السيبرانية. ويتطلب تأمين هذه الأجهزة آليات دفاع متقدمة لا تؤثر في وظائفها الأساسية. تقدم هذه الأطروحة إطارًا ذاتيًا للدفاع النشط يدمج بين التعلم المعزز العميق واستراتيجية الدفاع عبر تغيير خصائص المكونات، وهو مُصمَّم خصيصًا لأجهزة إنترنت الأشياء ذات الموارد المحدودة. ويهدف هذا البحث إلى تحسين المكونات المعمارية الأساسية لأحد أُطُر الدفاع الذاتي النشط، وتقييم هذه التحسينات من خلال عدد من التجارب. أولًا، ومن خلال اختبارات إحصائية صارمة في بيئات عدائية، تم تقليص عدد المتغيرات التي تمثل حالة النظام إلى مجموعة دُنيا، لكنها كافية ومكوَّنة من 35 متغيرًا. ثانيًا، أدى توظيف نوع مختلف من الشبكات العصبية (LSTM-AE) إلى تحسن كبير في موثوقية اكتشاف التهديدات، مما أسهم في تقليل معدلات الإنذارات الكاذبة والمُضللة. وأخيرًا، تم تقييم جدوى عدد من خوارزميات التعلم المعزز العميق المختلفة في سياق تطبيق صناعي لتحليل الاهتزازات. تُظهر النتائج التجريبية أن الجمع بين مجموعة المتغيرات المُختزلة (35 متغيرًا)، والشبكات العصبية من نوع LSTM-AE، وخوارزمية التعلم المعزز العميق من نوع PPO، يوفر توازنًا مثاليًا بين سرعة واستقرار التقارب نحو آلية دفاعية فعّالة، مع الحفاظ على تأثير ضئيل على الأداء. وستؤدي مخرجات هذه الأطروحة إلى بناء إطار أمني ذاتي أكثر فاعلية وقادر على حماية أجهزة إنترنت الأشياء دون المساس بوظائفها الأساسية.

English Abstract

As Internet of Things (IoT) networks become increasingly ubiquitous, their resource-constrained nature makes them highly vulnerable to sophisticated cyber threats. Securing these IoT devices requires dynamic defense mechanisms that do not disrupt the device's primary functions. This thesis proposes and rigorously validates an autonomous active defense framework that integrates Deep Reinforcement Learning (DRL) and Moving Target Defense (MTD) specifically tailored for resource-constrained IoT devices. To overcome the limitations of an existing baseline framework, this research systematically optimizes the framework's core architectural components and demonstrates improvements through empirical evaluation. First, through strict statistical significance testing during live adversarial deployments, the state representation was successfully reduced to an optimized minimal set of 35 relevant events. Second, the integration of Long Short-Term Memory Autoencoders (LSTM-AE) for sequential temporal modeling drastically enhanced threat detection reliability, thus reducing the False Positive and False Negative Rates. Finally, the viability of various DRL algorithms was empirically quantified against an industrial vibration analysis application. The experimental results show that combining the reduced 35-event subset, an anomaly detector based on LSTM-AE, and the Proximal Policy Optimization (PPO) agent provides an optimal balance between rapid and stable convergence to a defense policy while maintaining minimal performance impact. The results of this thesis lead to a more effective autonomous security framework capable of defending IoT devices without sacrificing their primary functionality.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Yahya Osais,
Thesis Committee Members:	Moataz Ahmed, Mansour Alharthi,
Depositing User:	ABDUL SAMI MOHAMMED
Date Deposited:	29 Jun 2026 11:17
Last Modified:	30 Jun 2026 09:21
URI:	https://eprints.kfupm.edu.sa/id/eprint/144631