Nesnelerin internetinde tehditleri algılamak ve saldırıları önlemek için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi ve Cooja ile benzetimi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: ALI HAMID AHMED SALEH FAREA
Danışman: Kerem Küçük
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Nesnelerin İnterneti (IoT), 20.yüzyılın en umut verici teknolojilerinden biridir. Bu teknoloji o kadar avantajlı ve uygun özelliklere sahip ki, günlük uygulamalarımızda bu teknolojik çözüme tamamen bağımlı hale gelinmiştir. Var olan avantajlarının yanında, IoT ekosistemleri çeşitli saldırılara karşı hassas olduğu bilinmektedir. Donanım "akıllı" hale geldiğinde, tehditlere karşı savunmasızlığında artış olmaktadır. Bu nedenle, IoT güvenliğinin, heterojenlik ve birçok kısıtlamaya sahip dinamik bir ekosistem nedeniyle zor olduğu öngörülmektedir. Bu tezde, Makine Öğrenimi (Machine Learning, ML) tabanlı yaklaşımları kullanarak IoT'deki çeşitli saldırıları tespit etmek için bir yaklaşım önerilmektedir. Bu nedenle yeni bir veri seti (KoÜ-6LoWPAN-IoT veri seti) oluşturmak için Contiki İşletim Sistemi (OS) üzerinden IoT'de saldırılarından olan üç saldırı tipi ele alınmıştır. Bu veri kümesi, kötü niyetli düğümlerden ve normal düğümlerden gelen verilerin bir karışımını içermektedir. Ayrıca, bu veri seti, IoT saldırılarını tespitinde nihai bir karar vermek için karar ağacına göz önüne alan ML tabanlı yaklaşımlarında kullanılabilmektedir. Ayrıca, normal ve kötü niyetli senaryoları ayırt etmek için saldırılar analiz edilmiştir. Analizler, Saldırı Tespit sistemleri (IDS) için bir girdi olarak kullanılabilecek olmasının yanı sıra kötü niyetli faaliyetlerden etkilenen değerlendirmelerin parametrelerini ve özelliklerini anlamak için de kullanılabilmektedir. Ayrıca makine öğrenimi modellerinde kullanılabilecek veri kümelerinin özelliklerindeki i. anormal davranışların tespitinde de faydalı olabilmektedir. Ayrıca, IoT 'deki saldırıları tespit etmek için kullanılacak en hafif ve en uygun modelleri bulmak için en iyi ML algoritmalarının zaman karmaşıklığını araştırılmıştır. Buna ek olarak, modellerin hafifliği ve doğruluğuna dayalı olarak model dağıtımını önerilmiştir. Karar ağacı tabanlı yaklaşımlar, Cooja simülatörü aracılığıyla oluşturulan KoÜ-6LoWPAN-IoT veri setini verimli bir şekilde manipüle etmek, anormal davranışları tespit etmek ve kötü niyetli faaliyetleri sınıflandırmak gibi yeteneklere sahiptir. Karar ağaca yapısı aynı zamanda en hafif ve en iyi modeli elde etmek için kullanılmıştır. Bu tez kapsamında, modellerde IoT özelliklerine dayalı veri seti ile denemeler yapmak ve sonuç almak için ML çerçevesi sağlayan Azure Microsoft Makine Öğrenimi aracı (Azure Machine Learning Studio, AMLS) kullanılmıştır. Ayrıca, tahminlerin sonuçlarını elde etmek için yeni örnekler ve harici bir kaynak aracı kullanarak modeller doğrulanmıştır. Sonuç olarak, çok sınıflı rastgele orman (RF) karar tabanlı yaklaşım, KoÜ-6LoWPAN-IoT veri kümesi için IoT saldırılarını tespit etmede %98,9 genel doğruluk elde ederken karar ağacı (DT), karar ormanı ağacı regresyonu ve güçlendirilmiş karar ağacı sırasıyla %87,7, %93,2 ve %87,1'e ulaşan regresyon sonuçları tespit edilmiştir.