Evaluation and classification intrusion detection system for IoT networks by using different machine learning algorithm
Farklı makine öğrenme algoritması kullanarak IoT ağları için değerlendirme ve sınıflandırma saldırı tespit sistemi
- Tez No: 883295
- Danışmanlar: DR. ÖĞR. ÜYESİ OGUZ KARAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti (IoT) ağlarında izinsiz giriş tespiti, güvenliği sağlamanın hayati bir parçasıdır. siber güvenlik. Bu araştırma, çeşitli makine öğreniminin kullanışlılığını analiz ediyor IoT ağları için izinsiz giriş tespit sistemlerini değerlendirme ve kategorilere ayırma algoritmaları. Çalışma, titizlikle seçilmiş bir veri kümesinden yararlanıyor ve simüle edilmiş bir askeri ağdan öncesine dayanıyor birden fazla siber tehdit içeren ortam. Rastgele Orman, Oylama Regresörü, XGBoost, Karar Ağacı, K-En Yakın Komşu, Doğrusal Regresyon ve MLP Regresörü Makine öğrenimi alanında kullanılan temel teknikler. Karar Ağacının Önemi Algoritmanın özelliği yüksek rakamlar vermesi ve %98,58 doğruluk göstermesidir. Değerlendirmenin bir Sınıflandırma hatası ve karışıklık matrisi olarak çok sayıda sonuç. Karar Ağacı modelin kusurları ortadan kaldırabilecek ve IoT sistemini yönetebilecek kapasitede olacağı öngörülmektedir. ideal bir şekilde. Yöntem, veri işleme, algoritma montajı ve & yapılandırma. Daha sonra performansı değerlendirmek için sınıflandırma test edilir. Araştırma Verilerin toplanması ve alınan güvenlik önlemleri konusunda dikkate değer bir duruş sergiliyor yer. Vaka çalışmasındaki sınırlayıcı faktörler arasında tek bir veri kümesinin kullanılması yer almaktadır. vaka çalışması olması ve gerekli güvenlik önlemlerinin dahil edilmemesi. BT modelleme için veri seti çeşitlendirmesini dahil etmek gelecekteki araştırmalar için daha önemli olacaktır ve sistemin yüksek genellik momentini ve performansını artırmak için algoritma eğitimi. Bu vakaları inceleyerek, saldırı tespit makinelerinin nasıl çalıştığı hakkında bilgi edinildi. Nesnelerin İnterneti ağlarındaki çalışmalar genişletilecek ve bu da IoT'nin büyük önemini vurgulayacaktır. Siber güvenliği garanti etmede makine öğrenimi algoritmaları
Özet (Çeviri)
Intrusion detection in Internet of Things (IoT) networks is a vital part of assuring cybersecurity. This research analyzes the usefulness of several machine learning algorithms in assessing and categorizing intrusion detection systems for IoT networks. The study leverages a rigorously curated dataset, predates a simulated military network environment, containing multiple cyber threats. Random Forest, Voting Regressor, XGBoost, Decision Tree, K-Nearest Neighbor, Linear Regression, and MLP Regressor are the main techniques used in the machine learning field. Significant of Decision Tree algorithm is that it figures highly, displaying 98.58% accuracy. The assessment has an abundant number of results as classification error and confusion matrix. The Decision Tree model is foreseen to be capable of eliminating defects and managing the IoT system in the ideal manner. The method consists of data processing, algorithm mounting, & configuration. After that, classification is tested to evaluate performance. The research takes a notable stand on the collection of data, and the security measures which are in place. Limiting factors in the case study include the use of a single dataset which happens to be the case study and the absence of the inclusion of the required security measures. It would be more important to future research to include dataset diversification for modeling and algorithms training to increase the system high generality moment and performance. By studying these cases, the knowledge gained about how intrusion detection machines work in IoT networks would be extended, highlighting the paramount importance of machine learning algorithms in guaranteeing cyber-security
Benzer Tezler
- IoT için makine öğrenmesi tabanlı saldırı tespiti
Machine learning based intrusion detection for IoT
AYÇA NUR KAHYA
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN
- A DEEP LEARNING INTRUSION DETECTION FRAMEWORK FOR IIOT NETWORKS USING SIMULATED AND TON-IOT DATASETS
SIMÜLE EDILMIŞ VE TON-IOT VERI SETLERI KULLANILARAK IIOT AĞLARI İÇIN DERIN ÖĞRENME TABANLI BIR SALDIRI TESPIT ÇERÇEVESI
NOOR SALİM GHANİM YAHYA
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ DAHMAN
- Intrusion detection system in IoT networks using deep learning classification
Başlık çevirisi yok
OMAR ABDULWAHHAB ABED AL-SUMAIDAEE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GALİP GANSEVER
- Kablosuz yerel alan ağlarında saldırıların tespit edilmesi ve analizi
Intrusion detection and analysis in wireless local area networks
MERVE ÖZKAN OKAY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK SAMET
- Makine öğrenmesi tabanlı akıllı şehir çözümleri: Bina türü tanıma, su tüketimi öngörüsü ve sızıntı tespiti
Machine learning-based smart city solutions: Building type identification, water consumption forecasting, and leak detection
RAUF YASİN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEÇKİN ARI