IoT cihazlarına yönelik siber saldırıların makine öğrenmesi algoritmaları ile tespiti
Developing a secure model for IoT devices from cybersecurity perspective
- Tez No: 998666
- Danışmanlar: DR. ÖĞR. ÜYESİ İSA AVCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Nesnelerin interneti, Siber saldırı, Yapay zeka, Machine learning, Internet of things, Cyber attack, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti teknolojisinin hızla yaygınlaşması, akıllı cihazların günlük yaşamdan endüstriyel sistemlere kadar birçok alanda kullanılmasını sağlamış; ancak bu durum beraberinde ciddi siber güvenlik risklerini de ortaya çıkarmıştır. Kaynak kısıtlı donanımlara sahip IoT cihazlarının geleneksel güvenlik mekanizmalarıyla yeterince korunamaması, bu sistemleri siber saldırılara karşı daha savunmasız hâle getirmektedir. Bu bağlamda, IoT ağlarında meydana gelen saldırıların etkin ve zamanında tespit edilmesi kritik bir gereksinim olarak öne çıkmaktadır. Bu tez çalışmasında, IoT sistemlerinde siber saldırıların tespitine yönelik makine öğrenmesi tabanlı bir saldırı tespit yaklaşımı geliştirilmiş ve karşılaştırmalı olarak değerlendirilmiştir. Çalışma kapsamında, 33 farklı saldırı türünü ve güncel senaryoları içeren UNB CIC IoT Dataset 2023 (Updated 2024-10-08) veri seti kullanılmıştır. CatBoost, XGBoost, Random Forest, Decision Tree, Gradient Boosting, KNN, SVM, Logistic Regression ve Naive Bayes olmak üzere dokuz farklı makine öğrenmesi algoritması eğitilmiş ve performansları doğruluk (Accuracy), kesinlik (Precision), duyarlılık (Recall) ve F1-skoru metrikleri kullanılarak değerlendirilmiştir. Elde edilen bulgulara göre, XGBoost algoritması %97,4 doğruluk oranı ile en başarılı model olmuştur. Özellik önem analizleri, toplam veri hacmi, maksimum paket boyutu ve protokol türü gibi ağ trafiği değişkenlerinin saldırı tespitinde belirleyici rol oynadığını göstermiştir. Bu tez çalışması, makine öğrenmesi tabanlı yöntemlerin IoT ortamlarında karşılaşılan çok sınıflı ve karmaşık tehditleri yüksek doğrulukla tespit edebildiğini ortaya koymakta; yapay zekâ destekli güvenlik sistemlerinin IoT altyapılarında uygulanabilirliğini ortaya koymaktadır.
Özet (Çeviri)
The rapid expansion of Internet of Things (IoT) technologies has enabled the widespread integration of smart devices into both everyday life and industrial systems. However, this growth has also introduced significant cybersecurity risks. The limited hardware resources of IoT devices often render traditional security mechanisms inadequate, making these systems more vulnerable to cyber attacks. Consequently, the timely and effective detection of malicious activity in IoT networks has become a critical necessity. In this thesis, a machine learning–based intrusion detection approach is developed and comparatively evaluated for detecting cyber attacks in IoT environments. The study utilizes the UNB CIC IoT Dataset 2023 (Updated 2024-10-08), which includes 33 different attack types and realistic contemporary scenarios. A total of nine machine learning algorithms (CatBoost, XGBoost, Random Forest, Decision Tree, Gradient Boosting, K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Logistic Regression and Naive Bayes) were trained and evaluated using performance metrics such as accuracy, precision, recall and F1-score. According to the experimental results, the XGBoost algorithm achieved the highest performance with an accuracy rate of 97.4%. Feature importance analysis revealed that variables such as total traffic volume, maximum packet size, and protocol type play a critical role in the detection of attacks. This study demonstrates that machine learning–based methods can effectively detect complex and multi-class cyber threats in IoT environments with high accuracy, and further supports the applicability of AI-powered security systems in modern IoT infrastructures.
Benzer Tezler
- Kritik altyapılara yönelik derin öğrenme tabanlı saldırı tespit sistemi tasarımı
Deep learning based-intrusion detection system design for critical infrastructure
HAKAN CAN ALTUNAY
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER ALBAYRAK
- MQTT ağına gerçekleştirilen saldırıların makine öğrenmesi modelleri ile tespiti
The detection of attacks on MQTT networks using machine learning models
MESUT KOÇAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AYDIN SELÇUK
- Kenar bilişim için siber saldırıları tespit ve önleme yöntemleri
Cyber attack detection and prevention methods for edge computing
EBU YUSUF GÜVEN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ YILMAZ ÇAMURCU
- Makine öğrenmesi ile adres çözümleme protokolü sahteciliğinin tespiti
Address resolution protocol spoofing detection with machine learning
MUSTAFA FURKAN CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBalıkesir ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. SELÇUK KAVUT
- Nesnelerin interneti cihazları için makine öğrenmesi yöntemleriyle saldırı tespit sisteminin geliştirilmesi
Development of intrusion detection system with machine learning methods for internet of things devices
HASAN YILMAZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURAK ÖZBEY