Geri Dön

Nesnelerin internetinde ağ katmanında güvenli ve enerji verimli yeni bir yöntem tasarımı ve uygulaması

Design and application of a safe and energy efficient new method at the network layer in the internet of things

  1. Tez No: 659831
  2. Yazar: SEMİH ÇAKIR
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SİNAN TOKLU, DR. ÖĞR. ÜYESİ NESİBE YALÇIN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 59

Özet

Geçen 10 yılı aşkın süre içerisinde Nesnelerin İnterneti (Internet of Things - IoT)'ni hedef alan saldırılar, internete bağlı akıllı cihazların ve uygulamaların yaygınlaşmasıyla endişe yaratan boyutta artış göstermiştir. Düşük Güçlü ve Kayıplı Ağlar için Yönlendirme Protokolü (Routing Protocol for Low-Power and Lossy Network - RPL), ağ katmanında Kablosuz Algılayıcı Ağlar için paketlerin, tercih edilen amaç fonksiyonuna uygun olarak düğümler arasında yönlendirilmelerini sağlar. Önemli görevi olan ve korunumu güç olan RPL, çeşitli saldırılara maruz kalmaktadır ve bu saldırılar, düğümler arası paket iletimini olumsuz etkilemektedir. Ayrıca kısıtlı olan enerji gibi kaynakların da tüketilmesine sebep olarak topolojiye büyük zarar vermektedir. RPL'ye karşı Hello Flooding (HF) saldırıları düğümlerde kısıtlı olan kaynakların (bellek, işlemci yükü ve enerji) tüketimine neden olmaktadır. Bu sebeple, RPL'ye gerçekleştirilen HF saldırılarının tespit edilmesi ve engellenebilmesi için etkili bir yönteme gereksinim vardır. Saldırı tespit sistemlerine derin öğrenme yöntemleri başarı ile uygulanabilmektedir. Bu tez çalışmasında, bir Yinelemeli Sinir Ağları (Recurrent Neural Networks - RNN) mimarisi olan Geçitli Tekrarlayan Birim derin öğrenme yöntemi ile IoT ağlarında zararlı düğümlerin sınıflandırılarak RPL kaynaklarının tüketimi hedefli saldırı tespit ve önleme yöntemi önerilmiştir. Önerilen yöntem, en yaygın kullanılan sınıflandırma algoritmalarından Destek Vektör Makinesi ve Lojistik Regresyon ile karşılaştırılmış ve düğümlerde enerji gibi kısıtlı olan kaynakların tüketimine neden olan RPL taşkın saldırılarından HF saldırı tespitinde daha başarılı sonuçlar verdiği çalışmamızda sunulmuştur. HF saldırısına karşı literatür araştırmalarına göre çok daha düşük bir yanılma ile saldırı tespit ve önleme gerçekleştirilmiştir.

Özet (Çeviri)

Over the past decade, attacks targeting the Internet of Things (IoT) have increased to a worrying extent with the widespread use of mobile devices and applications connected to the Internet. Routing Protocol for Low-Power and Lossy Network (RPL) allows packets to be routed between nodes in compliance with the desired purpose for the Wireless Sensor Network at the network layer. RPL, which has an essential role and is difficult to secure, is vulnerable to several attacks. These attacks have a negative impact on data transmission between nodes and, by consuming resources, cause great destruction of the topology. Hello Flooding (HF) attacks against RPL result in the consumption of limited resources (memory, processing and energy) in nodes. For this reason, there is a need for an effective method to detect and prevent HF attacks on RPL. Deep learning methods can be successfully applied to intrusion detection systems. In this thesis, Gated Recurrent Unit deep learning method, an improved version of Recurrent Neural Networks, has been proposed to predict and prevent HF attacks on RPL in IoT networks. The proposed approach has been compared with the two most commonly used classification algorithms, the Support Vector Machine and Logistic Regression, and it has been presented in this thesis that has been given more promising results in detecting HF attacks from RPL flood attacks which consume limited energy in nodes. In addition, detection and prevention of HF attacks has been performed with a much lower failure rate than literature research.

Benzer Tezler

  1. Dimensional evaluation of retrofitting smart cities: The historical peninsula case

    Uyarlanmış akıllı şehirlerin farklı boyutlarıyla incelenmesi: Tarihi yarımada örneği

    BURAK BELLİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Şehircilik ve Bölge Planlamaİstanbul Teknik Üniversitesi

    Kentsel Tasarım Ana Bilim Dalı

    DOÇ. DR. TURGAY KEREM KORAMAZ

  2. Deep learning in cyber security for internet of things

    Nesnelerin internetinin siber güvenliği için derin öğrenme

    FURKAN YUSUF YAVUZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Şehir Üniversitesi

    Bilgi Güvenliği Mühendisliği Ana Bilim Dalı

    PROF. DR. ENSAR GÜL

    DR. DEVRİM ÜNAL

  3. Real-time intrusion detection and prevention system for sdn-based iot networks

    Nesnelerin interneti içeren yazılım tanımlı ağlarda gerçek zamanlı saldırı tespiti ve önlenmesi sistemi

    ALPER KAAN SARIÇA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ PELİN ANGIN

  4. Nesnelerin internetinde servis kalitesinin iyileştirilmesi

    Improving quality of service in internet of things

    METEHAN GÜZEL

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SUAT ÖZDEMİR

  5. Mariot: an authoring framework for creating iot applications with mobile augmented reality

    Marıot: mobil artırılmış gerçeklik ile nesnelerin interneti uygulamaları üretmek için bir yapılandırma çerçevesi

    MERAL KUYUCU

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKHAN İNCE