Nesnelerin internetinde makine öğrenmesi tabanlı saldırı tespiti için gelişmiş öznitelik mühendisliği ve veri dengesizliği çözümlerinin tasarımı ve analizi
Design and analysis of advanced feature engineering and data imbalance solutions for machine learning–based intrusion detection in the internet of things
- Tez No: 1010358
- Danışmanlar: PROF. DR. KEREM KÜÇÜK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Eksik veri, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Yapay sinir ağları, Yapay zeka, Deep learning, Missing data, Machine learning, Machine learning methods, Artificial neural networks, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti (Internet of Things, IoT) kavramı, 1990'lı yılların sonunda ortaya çıkan, internete bağlı farklı cihazların bir araya gelerek, veri toplama, iletişim, kontrol ve ölçme gibi fonksiyonları bir arada gerçekleştirildiği sistemler olarak ifade edilebilir. Bu sistemler, genellikle, küçük boyutlu, enerji tasarufu yüksek ve uzaktan kontrol edilebilir cihazlar olarak karşımıza çıkmaktadır. Nesnelerin internetine dayalı sistemlerin gün geçtikçe kullanımın artması, cihazların doğası gereği internet ağında sürekli bağlı kalması, az enerji tüketimi kaygılarıyla geleneksel saldırı tespit sistemlerinin kullanılamaması gibi sebeplerden dolayı güvenlik açıklarına ve buna bağlı saldırılara oldukça açık bir yapı taşımaktadır. Nesnelerin interneti için, son teknolojiler, günümüzde kullanımı son derece yüksek olan, yapay zeka araçlı sistemler üzerinde yoğunlaşmaktadır. Yapay zekaya dayalı saldırı tespit sistemleri, yeni veri setlerinşin yayınlanması, hataya karşı dirençlilik, yüksek başarımlar elde edilmesi ile ilk defa karşılaşılan yeni (zero-day) saldırılara karşı oldukça iyi sonuçlar vermesi sebebiyle güçlü savunma sistemleri olarak karşımıza çıkmaktadırlar. Bu tezde, IoT sistemler üzerinde makine öğrenmesine ve derin öğrenmeye dayalı saldırı tespit sistemleri geliştirilmiştir. Literatürde yer alan eksiklikler göz önüne alınarak, geleneksel makine öğrenmesi modellerinden faydalanan, basit ve etkili sistemlerin kurulmasına yönelik, uygun eğitim-test şemalarının belirlenmesi, nitelikli öznitelik mühendisliğinin gerçekleştirilmesi, yeni öznitelik oluşturma algoritmalarının kullanımı ile güçlü, hızlı eğitilebilir, yönetilebilir sistemler oluşturulmuştur. IoT saldırı tepsit sistemleri için büyük bir problem olan, veri dengesizliği problemleri de, bu tez kapsamında tasarlananan yeninden örnekleme algoritması ile giderilmiş ve literatüre dağılım tabanlı bir yeniden örnekleme metodolojisi sunulmuştur. Son olarak, bu tez kapsamında, global bir IoT saldırı tespit sistemi oluşturulması için çalışmalar yapılmış ve yayılım kayması gibi farklı dinamikler içeren IoT ağ ortamlarının, global bir IoT saldırı tespit sistemi oluşturulması için kullanıp kullanılamayacakları tartışılmıştır.
Özet (Çeviri)
The concept of the Internet of Things (IoT) emerged in the late 1990s and can be defined as systems in which heterogeneous devices connected to the internet collaboratively perform functions such as data collection, communication, control, and monitoring. These systems typically consist of small-scale, energy-efficient, and remotely controllable devices. The rapid growth in the adoption of IoT-based systems, the inherent requirement for devices to remain continuously connected to network infrastructures, and strict energy consumption constraints render the use of traditional intrusion detection systems impractical. Consequently, IoT environments exhibit a highly vulnerable structure that is prone to a wide range of security threats and cyber-attacks. Recent technological advancements in IoT security have increasingly focused on artificial intelligence–driven solutions, which have gained widespread adoption in contemporary applications. AI-based intrusion detection systems have demonstrated strong defensive capabilities due to the availability of newly published datasets, robustness against noise and errors, and their ability to achieve high detection performance. Moreover, these systems have shown promising results in identifying previously unseen (zero-day) attacks, making them a powerful alternative to conventional security mechanisms. In this thesis, machine learning– and deep learning–based intrusion detection systems for IoT environments are developed. By addressing the limitations identified in the existing literature, this study emphasizes the design of simple yet effective systems based on classical machine learning models. Within this scope, appropriate training–testing schemes are established, advanced and high-quality feature engineering processes are conducted, and novel feature generation algorithms are employed to construct robust, fast-trainable, and easily manageable detection systems. One of the major challenges in IoT intrusion detection—namely, data imbalance—is addressed through a newly designed resampling algorithm proposed in this thesis, introducing a distribution-based resampling methodology to the literature. Finally, this study investigates the feasibility of constructing a global IoT intrusion detection system by analyzing heterogeneous IoT network environments that exhibit complex dynamics such as covariate and propagation shifts, and discusses whether such environments can be effectively leveraged for global intrusion detection purposes.
Benzer Tezler
- Nesnelerin internetinde makine öğrenmesi tabanlı siber saldırı tespiti
Machine learning-based cyber attack detection in internet of things
NİLÜFER BOZDEMİR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CAN EYÜPOĞLU
- Development of a new machine learning-based method to detect threats and prevent attacks on the internet of things and simulation with Cooja
Nesnelerin internetinde tehditleri algılamak ve saldırıları önlemek için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi ve Cooja ile benzetimi
ALI HAMID AHMED SALEH FAREA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- Medikal nesnelerin internetine yönelik siber tehditler için yapay zeka destekli saldırı tespit sisteminin geliştirilmesi
Development of an AI-powered intrusion detection system for cyber threats targeting the internet of medical devices
EMRE TALU
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiAdli Bilişim Ana Bilim Dalı
DOÇ. DR. FATİH ERTAM
- Comparison of intrusion detection for the internet of things with machine and deep learning methods
Makine ve derin öğrenme yöntemleri ile nesnelerin interneti için saldırı tespitinin karşılaştırılması
SIHAM AMAROUCHE
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- Leveraging machine learning for ıntrusion detection in the ınternet of medical things(IoMT): challenges and solutions
IoMT'de izinsiz giriş tespiti için makine öğreniminden yararlanma: zorluklar ve çözümler
OTHMAN SAAD SALMAN SALMAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assoc. Prof. DERYA YILTAŞ KAPLAN