IoMT ağlar için yapay zeka tabanlı yeni bir saldırı tespit sistemi
A new intrusion detection system for an iomt network based on artificial intelligence
- Tez No: 986390
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Tıbbi Nesnelerin İnterneti (IoMT), Saldırı Algılama Sistemi (IDS), Açıklanabilir Yapay Zeka (XAI), XGBoost sınıflandırıcı, Sağlık siber güvenliği, Bilgisayar ağları güvenliği, Internet of Medical Things (IoMT), Intrusion Detection System (IDS), Explainable Artificial Intelligence (XAI), XGBoost classifier, Healthcare cybersecurity, Computer networks security
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi Nesnelerin İnterneti (Internet of Medical Things IoMT), sürekli hasta izlemesi, otomatik veri aktarımı ve akıllı klinik hizmetleri mümkün kılarak sağlık sektöründe köklü bir dönüşüm yaratmaktadır. Bununla birlikte IoMT altyapısı; kritik öneme sahip klinik verilere erişim sağlayan, son derece çeşitli ve karmaşık saldırı yüzeyleri içermekte olup, gizlilik, bütünlük ve kullanılabilirlik açısından ciddi siber güvenlik riskleri taşımaktadır. Bu nedenle Saldırı Algılama Sistemleri (Intrusion Detection Systems IDS), IoMT ağ güvenliğinin temel bileşenlerinden biri hâline gelmiştir. Ancak mevcut IDS literatürü; dengesiz veri yapıları, kaynak kısıtlı cihazlarda çalışabilirlik zorlukları, sınırlı açıklanabilirlik ve sağlık alanında gerekli olan düzenleyici şeffaflık gereksinimlerini karşılamada yetersizlik gibi önemli sınırlılıklar taşımaktadır. Bu tezde, yüksek tespit performansı sunan, kararlarını açıklayabilen ve aynı zamanda kaynak kısıtlı IoMT cihazlarında uygulanabilir nitelikte hafif bir açıklanabilir IoMT saldırı algılama çerçevesi önerilmektedir. Çerçeve, ciddi sınıf dengesizliği sorununu gidermek amacıyla hibrit bir rastgele örnekleme stratejisi kullanmakta; özellik seçimi, hesaplama yükünü en aza indirmek amacıyla Özyinelemeli Özellik Eleme (Recursive Feature Elimination RFE) yöntemi ile gerçekleştirilmektedir. Hiperparametre optimizasyonu, ızgara arama yaklaşımıyla yapılmış ve elde edilen en uygun parametrelerle optimize edilmiş bir XGBoost sınıflandırıcısı geliştirilmiştir. Açıklanabilirlik boyutunda çerçeve, iki tamamlayıcı XAI tekniğini bir arada kullanmaktadır: bireysel örnek düzeyinde kararların nedenlerini ortaya koymak için LIME, genel özellik önemini analiz etmek için ise SHAP yaklaşımı uygulanmıştır. Böylece modelin hangi ağ metrikleri ve sinyaller üzerinden karar verdiği sağlık uzmanlarına ve güvenlik analistlerine şeffaf bir biçimde sunulmakta, model çıktıları için güven ve doğrulanabilirlik sağlanmaktadır. Bu yaklaşım, giderek sıkılaşan tıbbi yapay zekâ düzenlemeleri kapsamında“açıklanabilirlik”gereksinimini de karşılamaktadır. Önerilen model, gerçekçi IoMT ağ akışları ve WUSTL-EHMS-2020 veri kümesindeki fizyolojik sensör verileri üzerinde test edilmiştir. Deneysel sonuçlar; %99,22 doğruluk, %98,35 hassasiyet, %99,91 geri çağırma, %99,12 F1 skoru ve 1,0 ROC-AUC değerleri ile hem geleneksel makine öğrenimi modellerinden hem de güncel IDS yaklaşımlarından daha üstün performans sergilendiğini göstermiştir. Ayrıca modelin hesaplama performansı; örnek başına ortalama 0,02 ms gecikme, yaklaşık 50.000 örnek/saniye işleme kapasitesi ve yalnızca 0,10 MB ek bellek ihtiyacı ile kaynak kısıtlı IoMT ağ geçitlerine/uç cihazlara dağıtım için son derece uygundur. Bu çalışma, IoMT ekosisteminde güvenli, şeffaf ve klinik olarak güvenilir saldırı tespit sistemlerine duyulan kritik ihtiyaca yanıt vermektedir. Bulgularımız, sağlık bilişiminde açıklanabilir yapay zekânın bir tercih değil, zorunlu bir güvenlik gereksinimi hâline geldiğini göstermektedir.
Özet (Çeviri)
The Internet of Medical Things (IoMT) has been transforming the healthcare industry, with continuous patient condition monitoring and smart clinical services being provided. However, it has also exposed the medical infrastructure to highly sophisticated cyberattacks that could allow access to critical clinical data and services, undermining their confidentiality, integrity, and availability. Intrusion Detection Systems (IDSs) play a crucial role in securing IoMT networks; however, current literature on IDSs is beset with challenges including the imbalanced training data problem, applicability in resource-constrained settings, and the lack of explainability that undermines clinical confidence and regulatory approval. This thesis introduces an explainable IoMT intrusion detection framework that achieves strong detection performance, interpretable decision-making, and realistic deployability on resource-restricted computing nodes at the same time. The pipeline proposed deals with the issue of severe class imbalance by using a hybrid random sampling approach, feature selection is performed using Recursive Feature Elimination (RFE) to avoid computing burden, and an optimized XGBoost classifier, after tuning its hyperparameters on grid search optimization setup, is used to detect intrusions accurately. To meet the transparency needs of healthcare tasks, the framework has adopted two complementary Explainable Artificial Intelligence (XAI) techniques: Local Interpretable Model-Agnostic Explanations (LIME) to offer instance-level interpretation and SHapley Additive exPlanations (SHAP) for global feature importance analysis. They make it explicit which combinations of network performance metrics and physiological signals contribute to the decisions of the model. The interpretation is, therefore, straightforward evidence provided to healthcare professionals and security analysts to elucidate any detection signal that our model produces, hence fostering mutual trust between usages of the proposed model and validating its behavior, all without disregarding emerging regulatory requirements for explainable AI in medicine. The proposed intrusion detection method was tested with the realistic IoMT network flows and physiological signals of the WUSTL-EHMS-2020 dataset. The experimental results showed an accuracy of 99.22%, precision of 98.35 %, recall of 99.91%, F1-Score of 99.12% and ROC-AUC is 1.0 which outperforms several well-known traditional machine and ensemble learning models as well as state-of-the-art IDS methods. Besides its predictive value, the rate of the model is an average latency of 0.02 ms per sample with a throughput close to 50,000 samples per second, and it has a peak additional memory cost of 0.10 MB, which proves to be suitable for deploying on limited-resource IoMT gateway/edge devices. This thesis serves explainable AI methods for advanced ML techniques in response to the urgent demand for secure transparent intrusion detection on IoMT. We conclude that explainability in healthcare cybersecurity is not an add-on but a necessity to ensure secure, trustworthy, and clinically reliable AI-based cybersecurity solutions for IoMT systems.
Benzer Tezler
- Multi-level security framework for internet of things in military environment
Askeri ortamlardaki nesnelerin interneti için çok seviyeli güvenlik çerçevesi
EMRE İŞLEYEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- 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
- 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
- Makine öğrenmesi tabanlı gerçek zamanlı medikal nesnelerin interneti çerçevesinin geliştirilmesi
Development of machine learning-based real-time medical internet of things framework
EMRE YILDIRIM
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ ÇALHAN