IoV operasyonları için derin öğrenme tabanlı siber saldırı tespiti
Deep learning-based cyber attack detection for IoV operations
- Tez No: 1020024
- Danışmanlar: DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ, DOÇ. DR. ÖNDER DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otonom araçlarda yaygın olarak kullanılan Controller Area Network (CAN) protokolü, mesaj kimlik doğrulaması ve şifreleme mekanizmalarından yoksun olması nedeniyle sahte mesaj enjeksiyonu, hizmet engelleme (DoS) ve spoofing gibi siber saldırılara karşı yapısal olarak savunmasızdır. Bu çalışmada, CAN-bus tabanlı araç içi ağlara yönelik saldırıları tespit etmek amacıyla derin sinir ağı (DNN) tabanlı bir saldırı tespit sistemi (IDS) geliştirilmiş ve Fast Gradient Sign Method (FGSM) tabanlı adversarial saldırılara karşı dayanıklılığı sistematik biçimde analiz edilerek artırılmıştır. Çalışmada CICIoV-2024 ve CAN-MIRGU veri setleri ortak bir formata dönüştürülerek birleştirilmiş; böylece hem sentetik hem de gerçek dünya koşullarında elde edilmiş saldırı örneklerini kapsayan bütünleşik bir veri yapısı oluşturulmuştur. Geliştirilen baseline DNN modeli temiz veri üzerinde %99.12 doğruluk ve 0.9916 Macro F1-Score değerlerine ulaşmıştır. Kırılganlık analizi, modelin ε=10 byte pertürbasyon şiddetinde %2.45'lik anlamlı bir performans düşüşü sergilediğini ortaya koymuştur. Bu bulgudan hareketle adversarial eğitim ile Bayesyen hiperparametre optimizasyonu birleştirilmiştir. Bayesyen optimizasyon, temiz doğruluk ve adversarial dayanıklılığı eşit ağırlıkta birleştiren çift hedefli bir fitness fonksiyonu ile yürütülmüş ve optimum model konfigürasyonu belirlenmiştir. Adversarial olarak eğitilen final model; Clean-Only FGSM senaryosunda %98.61, All-Data FGSM senaryosunda %97.95 doğruluk değerlerine ulaşmıştır. Hata yön analizi, güvenlik açısından en kritik hata türü olan saldırı kaçırmanın (Attack→Benign) ε=10 seviyesinde %62 oranında azaltıldığını ortaya koymuştur. Hesaplama performansı açısından değerlendirildiğinde, ölçümler Google Colab T4 GPU ortamında TFLite CPU delegate kullanılarak gerçekleştirilmiştir. 7.563 parametreye sahip kompakt model TFLite INT8 formatına dönüştürülmüş ve tek örnek inference süresi 0.003 ms (P99: 0.004 ms) olarak ölçülmüştür. Bu değer, CAN 2.0B protokolünün 0.2-0.25 ms'lik çerçeve iletim süresinin oldukça altında kalmakta ve modelin gerçek zamanlı araç içi dağıtım için hesaplama açısından uygunluğunu göstermektedir
Özet (Çeviri)
The Controller Area Network (CAN) protocol, widely used in autonomous vehicles, is structurally vulnerable to cyberattacks including message injection, denial-of-service (DoS), and spoofing due to its lack of message authentication and encryption mechanisms. This study develops a deep neural network (DNN)-based intrusion detection system (IDS) targeting CAN-bus in-vehicle networks, and systematically analyzes and improves its robustness against Fast Gradient Sign Method (FGSM)-based adversarial attacks. The CICIoV-2024 and CAN-MIRGU datasets were unified into a common format, resulting in an integrated data structure encompassing both synthetic and real-world attack scenarios. The developed baseline DNN model achieved 99.12% accuracy and a Macro F1-Score of 0.9916 on clean test data. Vulnerability analysis revealed a significant performance drop of 2.45% at a perturbation magnitude of ε=10 bytes. Building on this finding, adversarial training was combined with Bayesian hyperparameter optimization. The optimization was conducted with a dual-objective fitness function that equally weights clean accuracy and adversarial robustness, yielding an optimized model configuration. The adversarially trained final model achieved 98.61% accuracy under the Clean-Only FGSM scenario and 97.95% under the All-Data FGSM scenario. Error direction analysis revealed that the most safety-critical error type, missed attack detection (Attack→Benign), was reduced by 62% at ε=10. From a computational performance perspective, all measurements were conducted on Google Colab T4 GPU using the TFLite CPU delegate. The compact model with 7,563 parameters was converted to TFLite INT8 format, achieving a single-sample inference latency of 0.003 ms (P99: 0.004 ms). This value remains well below the 0.2–0.25 ms frame transmission period of the CAN 2.0B protocol, demonstrating the computational feasibility of the model for real-time in-vehicle deployment under controlled benchmark conditions.
Benzer Tezler
- Araçların internetinde (IOV) ağ güvenliğini sağlayacak makine öğrenme yöntemlerine dayalı sağlam bir saldırı tespit sistemi
A robust intrusion detection system based on machine learning methods for ensuring network security in the internet of vehicles (IOV)
MAMADOU KORKA DIALLO
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZHAN KARAHAN
- A secure and privacy enhanced authentication scheme for internet of vehicles
Araç interneti için güvenli ve gizliliği arttırılmış kimlik doğrulama şeması
SULAIMAN MUSARIA KARIM KARIM
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ADIB HABBAL
- Nesnelerin internetinde kenar hesaplama ve makine öğrenmesi kullanılarak yeni bir görev tamamlama algoritması
A novel task offloading algorithm using edge computing and machine learning in the internet of things
MUHAMMET TAY
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ARAFAT ŞENTÜRK
- Nesnelerin interneti tabanlı ağlardaderin öğrenme ile saldırı tespiti
Deep learning based attack detection in internet of things networks
NADİR CAN KAVKAS
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
- Benchmarking simultaneous authentication schemes
Eş zamanlı kimlik doğrulama şemalarının karşılaştırmalı analizi
MORTEZA AZMOUDEH AFSHAR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR