Kablosuz sensör ağlarda ağ katmanında meydana gelen dos saldırılarının derin öğrenme yöntemleriyle tespit edilmesi
Detection of dos attacks occuring at network layer with deep learning methods in wireless sensor networks
- Tez No: 751957
- Danışmanlar: DOÇ. DR. MURAT DENER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgi Güvenliği Mühendisliği Bilim Dalı
- Sayfa Sayısı: 102
Özet
Kablosuz Sensör Ağlarının (KSA) kullanım alanları ve entegre olduğu sistem sayısı arttıkça popülaritesi artmakta ve bu durum saldırganların da dikkatini çekmektedir. KSA çalışma ortamı ve imkânları nedeniyle saldırıya açık bir yapıya sahiptir. Saldırganlar sensör ağlarına ağ içinden ve ağ dışından olmak üzere iki yolla; ağa sızmaya, ele geçirmeye, manipüle etmeye yönelik saldırılar gerçekleştirmektedirler. Gerçekleştirilen bu saldırılar katmanlara göre farklı şekilde uygulanmaktadır. Sensör ağlarda gerçekleştirilen bu saldırıların ardından ağ trafik verileri incelenmekte ve sonraki muhtemel saldırıların önüne geçmek için zararlı trafik ve düğüm davranışları analiz edilmektedir. Ağdan alınan ham veriler bazı ön işlemlerden geçirilerek öğrenme modelleri tarafından kullanılabilecek hale getirilmektedir. Modellerle incelenen veri, ağ trafik türlerine göre kategorize edilerek ağda gerçekleştirilen saldırılar tespit edilmektedir. KSA'da öğrenme modelleri ile yapılan saldırı tespitleri klasik tespit yöntemlerine göre yüksek doğruluk yüzdeleri ile gerçekleştirilmektedir. Bu tez çalışmasında KSA ağ katmanı saldırılarından olan Blackhole, Flooding, Selective Forwarding saldırıları Network Senario (NS 2) benzetim ortamında oluşturularak uygulanmış, WSN-BFSF veri seti elde edilmiş, elde edilen veri seti gerekli ön işlemlerden geçirilerek öğrenme modelleri ile incelemeye hazır hale getirilmiştir. Random Forest, Decision Tree, Naive Bayes ve Logistic Regression olmak üzere 4 farklı makine öğrenme modeli ve Multilayer Perception (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) ve Gated Recurrent Unit (GRU) olmak üzere 4 farklı derin öğrenme modeli ile toplamda 8 farklı modelle veri seti incelenmiştir. Modeller ile elde edilen deneysel sonuçlar detaylı olarak sunulmuştur.
Özet (Çeviri)
As the usage areas of wireless sensor networks and the number of systems it is integrated increase, their popularity also increases which attracts the attention of attackers. WSN has a structure open to the attacks due to its working environment and opportunities. Attackers carry out attacks to infiltrate, seize, and manipulate sensor networks both inside and outside the network. These attacks are carried out differently based on the layers. After these attacks on sensor networks, network traffic data is examined and malicious traffic and node behaviors are analyzed to prevent possible future attacks. The raw data received from the network is made usable by learning models by passing some preprocessing. The data analyzed with the models are categorized according to the network traffic types and the attacks carried out on the network are detected. In WSN, attack detections made with learning models are performed with high accuracy percentages compared to classical detection methods. In this study, the data set was obtained by performing Blackhole, Flooding, Selective Forwarding attacks, which are network layer attacks in WSN in the Network Senario (NS 2) simulation environment, and the obtained data set was made ready for examination with learning models after the necessary preprocessing. The data set was examined with four different machine learning models, namely Random Forest, Decision Tree, Naive Bayes and Logistic Regression, and four different deep learning models, namely Multilayer Perception (MLP), Convolutional Neural Network (CNN), Long Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) with 8 different models. Result of models are explained in detail.
Benzer Tezler
- The comparison of energy consumptions for OOK and BPSK modulationsin wireless sensor networks
Kablosuz algılayıcı ağlarda OOK ve BPSK modülasyonları için enerji tüketimlerinin karşılaştırılması
OMRAN TABAJOU
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NÜKHET SAZAK
- A new energy efficient forwarder set based dynamic duty cycled routing in wireless sensor networks
Kablosuz sensör ağlarında yönlendirme kümesine göre dinamik çevrimli yeni bir yönlendirme tekniği
SILA ÖZEN
Yüksek Lisans
İngilizce
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- UAV-enabled wireless-powered IoT wireless sensor networks
IHA-etkin kablosuz-enerjili IoT kablosuz sensör ağları
AMIN FARAJZADEH
Yüksek Lisans
İngilizce
2019
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Bilim Dalı
PROF. DR. ÖZGÜR ERÇETİN
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- Gerçek zamanlı kablosuz algılayıcı ağlarda saldırı tespit ve saldırı yanıt si̇stemlerinin tasarlanması
Design of intrusion detection and response systems on real-time wireless sensor networks
ÇAĞLAR OFLAZOGLU
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHatay Mustafa Kemal ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. BÜNYAMİN YILDIZ
DOÇ. DR. İPEK ABASIKELEŞ TURGUT