Intrusion detection system in internet of things networks using machine learning techniques
Nesnelerin internet ağlarında makine öğrenme teknikleri kullanarak saldırı tespit sistemi
- Tez No: 806718
- Danışmanlar: PROF. DR. SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti (IoT), merkezi olmayan düğümler, sunucular ve iletişim yazılımları ağı sayesinde ulaşım ve sağlık lojistiği takibi gibi çok sayıda sektörde çok önemli bir rol oynar. IoT hızla büyümeye devam ederken, bağlı cihazların sayısında önemli bir artış var ve bu da onları, kapsamlı saldırı yüzeyleri nedeniyle dağıtılmış hizmet reddi (DDoS) saldırıları da dahil olmak üzere siber saldırılara karşı savunmasız hale getiriyor. Geleneksel imza tabanlı izinsiz giriş tespit yöntemlerinin sınırlamaları vardır, uzmanlara bağlıdır, güncelleme zaman alır ve sıfırıncı gün istismarları da dahil olmak üzere her türlü saldırıya karşı kapsamlı koruma sağlamaz. AI tabanlı sistemler kullanılarak izinsiz giriş tespitinde cesaret verici ilerlemeler kaydedilmiştir. Bu araştırma, bir dizi modelden yararlanan makine öğrenimine dayalı bir yaklaşım önermektedir. Önerilen yaklaşımı değerlendirmek için, halka açık IoT verileri, özellikle çok sınıflı saldırıları kapsayan CIC-DDoS2019 veri kümesi kullanılarak kapsamlı deneyler yapıldı. Çalışma öncelikle Random Forest yöntemi ve Pearson korelasyonuna dayalı filtre tabanlı bir özellik azaltma metodolojisi kullanarak DDoS saldırılarını kategorize etmeye odaklanmaktadır. Sınıflandırma için ilk 20 özellik seçildi. Extreme Gradient Boosting (XGB), Naïve Bayes (NB), Çok Katmanlı Perceptron (MLP), Lojistik Regresyon (LR), Karar Ağacı (DT) ve K-En Yakın Komşular (KNN) dahil olmak üzere çoklu makine öğrenimi modelleri Hibrit ML modeli olarak, DDoS saldırılarını tanımlamak için kullanıldı. Sonuçlar, XGBoost modelinin %98,50'lik kayda değer bir doğruluk elde etmesiyle, önerilen yöntemin olağanüstü etkililiğini gösterdi. Ek olarak, Hybrid ML modeli %97,46'lık bir doğruluk elde ederek etkileyici sonuçlar gösterdi. Önerilen yöntem, mevcut araştırma sonuçlarıyla yapılan bir karşılaştırmanın kanıtladığı gibi, önceki modellerden önemli ölçüde daha iyi performans gösterdi.
Özet (Çeviri)
The Internet of Things (IoT) plays a crucial role in numerous industries, such as transportation and healthcare logistics tracking, owing to its decentralized network of nodes, servers, and communication software. As the IoT continues to grow rapidly, there is a substantial increase in the number of connected devices, making them vulnerable to cyberattacks, including distributed denial of service (DDoS) attacks due to their extensive attack surface. Traditional signature-based intrusion detection methods have limitations, relying on specialists, being time-consuming to update, and not providing comprehensive protection against all types of assaults, including zero-day exploits. Encouraging advancements have been made in intrusion detection using AI-based systems. This research proposes a machine learning-based approach that leverages an ensemble of models. Extensive experimentation was conducted using publicly available IoT data, specifically the CIC-DDoS2019 dataset, which encompasses multi-class attacks, to evaluate the proposed approach. The study primarily focuses on categorizing DDoS attacks, utilizing a filter-based feature reduction methodology based on the Random Forest method and Pearson correlation. The top 20 features were selected for classification. Multiple machines learning models, including Extreme Gradient Boosting (XGB), Naïve Bayes (NB), Multi-layer Perceptron (MLP), Logistic Regression (LR), Decision Tree (DT), and K-Nearest Neighbours (KNN), as well as a Hybrid ML model, were employed to identify DDoS attacks. The results demonstrated the outstanding effectiveness of the proposed method, with the XGBoost model achieving a remarkable accuracy of 98.50%. Additionally, the Hybrid ML model showed impressive results, achieving an accuracy of 97.46%. The proposed method significantly outperformed previous models, as evidenced by a comparison with existing research results.
Benzer Tezler
- Intrusion detection system in iot networks using machine learning
Makine öğrenmeyi kullanarak ıot ağlarında sözleşme algılama sistemi
ALHASAN KADHIM RESEN RESEN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Nesnelerin interneti ekosisteminde yapay zekâ destekli saldırı tespit sistemi
Machine learning supported intrusion detection system in the internet of things
YASİN BALCI
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
- Nesnelerin internetinde makine öğrenmesi tabanlı siber saldırı tespiti
Machine learning-based cyber attack detection in internet of things
NİLÜFER BOZDEMİR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAN EYÜPOĞLU
- Nesnelerin interneti ağlarında derin öğrenme tabanlı yeni bir saldırı tespit sistemi
A novel deep learning-based intrusion detection system for internet of things networks
KEMAL AKKANAT
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
PROF. DR. MUHARREM TOLGA SAKALLI
- Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces
Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices
ABUALQASIM KHALIL ISMAEL ISMAEL
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM