Geri Dön

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

  1. Tez No: 1008395
  2. Yazar: NOOR SALİM GHANİM YAHYA
  3. Danışmanlar: DR. ÖĞR. ÜYESİ DENİZ DAHMAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Gelişim Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Endüstriyel Nesnelerin İnterneti (Industrial Internet of Things – IIoT) teknolojisinin hızlı şekilde yaygınlaşması; akıllı otomasyon, kestirimci bakım, gerçek zamanlı izleme ve sistemler arası bağlantıyı mümkün kılarak endüstriyel dünyada büyük bir dönüşüm sağlamıştır. Ancak endüstriyel makineler arasındaki bağlantının artmasıyla birlikte IIoT ağları siber saldırılara karşı daha savunmasız hale gelmiş; bu durum operasyonel aksaklıklara, kritik verilerin sızmasına ve sistem güvenilirliğinin azalmasına yol açmıştır. Geleneksel siber güvenlik yöntemlerinde kullanılan imza tabanlı ve sezgisel yaklaşımlar, IIoT ortamlarında ortaya çıkan yeni ve karmaşık tehditleri tespit etmede yetersiz kalmaktadır. Bu nedenle akıllı bir izinsiz giriş tespit sistemine (Intrusion Detection System – IDS) ihtiyaç duyulmaktadır. Bu çalışma, IIoT ağlarında MiTM (Man-in-the-Middle), DoS (Denial of Service) ve Sybil saldırılarını tespit etmek ve sınıflandırmak için derin öğrenme tabanlı bir izinsiz giriş tespit yöntemi önermektedir. Önerilen yaklaşım için PERA mimarisi kullanılarak Üretim, Kontrol ve Ofis olmak üzere üç farklı bölgeden oluşan bir endüstriyel IIoT senaryosu geliştirilmiştir ve bu bölgelerde farklı endüstriyel cihazlar modellenmiştir. Geliştirilen IDS modelinin eğitimi için trafik, akış, istatistiksel ve cihaz tabanlı özellikler içeren 17 değişkenden oluşan toplam 10.000 ağ paketi içeren sentetik bir veri seti oluşturulmuştur. Sınıf dağılımlarındaki değişimlerden kaynaklanabilecek önyargıyı azaltmak amacıyla model performansı doğruluk, kesinlik (precision), duyarlılık (recall), F1-skoru, karmaşıklık matrisi ve ROC-AUC metrikleri ile değerlendirilmiştir. Önerilen derin sinir ağı modeli; 128, 64 ve 32 nöronlu üç gizli katmandan oluşan çok katmanlı bir yapıya sahiptir. Modelde aşırı öğrenmeyi (overfitting) önlemek ve genelleme yeteneğini artırmak için batch normalization, dropout, L2 düzenlileştirme, uyarlanabilir öğrenme oranı planlayıcısı ve erken durdurma (early stopping) teknikleri kullanılmıştır. Deneysel sonuçlar modelin güçlü bir çok sınıflı sınıflandırma yeteneğine sahip olduğunu göstermiş; %97.23 doğruluk, %97.18 ağırlıklı precision, %97.23 ağırlıklı recall ve %97.19 ağırlıklı F1-skoru elde edilmiştir. DoS, Sybil ve MiTM saldırıları için F1-skorları sırasıyla %98.01, %96.22 ve %93.13 olarak hesaplanmış ve tüm sınıflarda ROC-AUC değeri 0.97'nin üzerinde çıkmıştır. Karmaşıklık matrisi analizine göre test edilen 2.000 örnekten yalnızca 42 tanesi hatalı sınıflandırılmıştır. Modelin gerçek zamanlı değerlendirmesinde 10 dakikalık bir trafik akışı (12.847 paket) üzerinde yapılan testte %98.60 tespit doğruluğu, %0.87 yanlış pozitif oranı ve paket başına ortalama 34.2 milisaniyelik gecikme elde edilmiştir. Bu çalışmanın temel katkıları; gerçekçi çok bölgeli bir IIoT simülasyon modelinin geliştirilmesi, MiTM, DoS ve Sybil saldırılarının modellenmesi, çok sınıflı derin öğrenme tabanlı bir IDS tasarlanması, hem çevrimdışı hem çevrimiçi testlerin yapılması ve sınırlı kaynaklara sahip IIoT ağlarında kullanılabilirliğinin gösterilmesidir. Çalışmanın sınırlılıkları ise yalnızca sentetik veri kullanılması, sadece üç saldırı türünün ele alınması, modelin çevrimiçi öğrenme yeteneğinin olmaması ve otomatik tehdit müdahale mekanizmasının bulunmamasıdır. Gelecek çalışmalar kapsamında gerçek dünya IIoT verilerinin kullanılması, daha fazla saldırı türünün eklenmesi, çevrimiçi öğrenme yeteneği geliştirilmesi, veri dengeleme tekniklerinin uygulanması ve otomatik tehdit yönetim sistemlerinin entegre edilmesi önerilmektedir.

Özet (Çeviri)

The Industrial Internet of Things (IIoT) is an integral part of today's industrial world that enables intelligent interaction between sensors, controllers, machines and supervisory systems. The connectivity of industrial devices is increasing as is the use of IIoT technologies, which brings operational efficiencies, automation and real-time decision making, but presents increased cybersecurity concerns as well. Man-in-the-Middle (MiTM) attacks, Denial of Service (DoS) attacks, and Sybil attacks are among the various types of cyberattacks that can: Put network availability at risk, compromise the integrity of data, impact operational reliability, and make it imperative to adopt effective intrusion detection mechanisms for securing Industrial infrastructures. This thesis show the design and implementation of the Deep Neural Network based Intrusion Detection System (IDS) to detect and classify cyberattacks in IIoT environments. A realistic IIoT network simulation framework was designed, using the Purdue Enterprise Reference Architecture (PERA), with Production, Control and Office zones. A cybersecurity dataset containing 17 network, statistical and device level features of 10,000 network traffic records were generated in the simulation environment. The dataset contains three attack types: MiTM, DoS, and Sybil attacks as well as normal traffic. Furthermore, the proposed model was tested on the TON_IoT Network Dataset for the evaluation of its performance for actual IIoT traffic data. The proposed deep neural network design comprises of 17 features in the input layer, three hidden layers with 128, 64, and 32 neurons, respectively, followed by a Softmax output layer with multiclass classification. The model was optimized with the Adam optimization algorithm with adaptive learning rate scheduling and early stopping techniques for better convergence and generalization. The effectiveness of the proposed approach is shown in the experimental results. The model has the accuracy of 97.23%, weighted precision of 97.18%, weighted recall of 97.23%, and weighted F1-score of 97.19% on the simulated IIoT data set. The model on TON_IoT Network Dataset showed an accuracy of 95.16%, weighted precision of 94.78%, weighted recall of 94.92% and weighted F1-score of 94.84%. The confusion matrix analysis demonstrated the accuracy of the model in classifying normal traffic and multiple attack categories, and the model showed good generalization performance on synthetic and real datasets. The results suggest that the proposed intrusion detection framework, based on deep learning, is an effective and reliable solution to improve cybersecurity in the IoT environments in the Industrial sector. The proposed system is effective in attack detection, has a low misclassification rate and is suitable for real-time applications in industrial cybersecurity.

Benzer Tezler

  1. Tez No

    584618

    A deep reinforcement learning approach to network intrusion detection

    Ağ saldırı tespitinde derin pekiştirmeli öğrenim yaklaşımı

    HALİM GÖRKEM GÜLMEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ PELİN ANGIN

  2. Tez No

    999073

    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

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM

  3. Tez No

    697693

    Application of deep neural networks for network intrusion detection systems in cyber security

    Başlık çevirisi yok

    THAMER OTHMAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilim ve TeknolojiAltınbaş Üniversitesi

    Bilgi Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEFER KURNAZ

  4. Tez No

    944682

    A novel artificial intelligence approach to strengthen intrusion detection system for internet of medical things

    Medikal nesnelerin interneti için ağa sızmayı algılama sistemini güçlendirmeye yönelik yeni bir yapay zeka yaklaşımı

    GÖKHAN AKAR

    Doktora

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik MühendisliğiMarmara Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ONAT

    DOÇ. DR. ÜNAL ÇAVUŞOĞLU

  5. Tez No

    825027

    Designing a smart security framework for software defined networks

    Yazılım tanımlı ağlar için akıllı güvenlik çerçevesinin tasarlanması

    HANİ ELUBEYD

    Doktora

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA YILTAŞ KAPLAN

Geri Dön