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
- Tez No: 774319
- Danışmanlar: PROF. DR. KEREM KÜÇÜK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
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.
Özet (Çeviri)
The Internet of Things (IoT) is one of the most promising 3rd-millennium technologies. It has so many attractive and enticing features that we have become completely reliant on this technology in our daily applications. However, the IoT ecosystems are susceptible to a variety of attacks. Once hardware becomes“intelligent”, it is vulnerable to threats. Hence, IoT security is considered challenging due to heterogeneity and a dynamic ecosystem with many constraints. In this thesis, we have proposed an approach to detect various attacks in the IoT using Machine Learning (ML)-based approaches. Therefore, we developed and implemented three attacks as a sample in the IoT via the Contiki Operating System (OS) to generate a new dataset (KoÜ-6LoWPAN-IoT dataset). This dataset contains a mix of data from malicious nodes and normal nodes. Also, this dataset is used to utilize the ML-based approaches that depend on the decision of the tree to give us a final decision to detect IoT attacks. As well, the attacks were analyzed to distinguish between normal and malicious scenarios. The analyzing is done to understand the parameters and features of evaluations that were affected by malicious activities, which can be used as an input for Intrusion Detection systems (IDS) and features of the datasets that can be employed in Machine Learning (ML) models to detect anomalous behaviors. Furthermore, we investigated the time complexity for the best ML algorithms to find the most lightweight and optimal models to utilize to detect attacks in the IoT. In addition, we proposed model deployment based on the lightness and accuracy of the models. The decision tree-based approaches have the ability to manipulate the KoÜ-6LoWPAN-IoT dataset efficiently, generated via the Cooja simulator, to detect anomalous behavior and classify malicious activity. It also achieves the lightest and best model. In the context of this work, we utilized Azure Machine Learning Studio (AMLS), which provides the ML framework to experiment with the dataset that is IoT features-based in models and obtain results. Furthermore, we verified the models by using new samples and using an external source to acquire the results of the predictions. As a result, the multiclass random forest (RF) decision-based approach achieved 98.9% overall accuracy in detecting IoT attacks for the KoÜ-6LoWPAN-IoT dataset compared to the decision tree (DT), decision forest tree regression, and boosted decision tree regression, which achieved 87.7%, 93.2%, and 87.1%, respectively.
Benzer Tezler
- Dinamik olmayan stokastik rezonans yöntemi kullanılarak su altı görüntülerinin iyileştirilmesi
Underwater image enhancement using non-dynamic stochastic resonance
RUSTAM SALIMOV
Doktora
Türkçe
2024
Fizik ve Fizik MühendisliğiSakarya ÜniversitesiFizik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HACI AHMET YILDIRIM
- Nesneye yönelik sistemlerde kusurlu sınıfların öngörülmesi için makine öğrenmesi temelli bir yöntem oluşturulması
Creating a machine learning based method for predicting defective classes in object oriented systems
FİKRET AKTAŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FEZA BUZLUCA
- Otonom araçlar için makine öğrenmesi teknikleri kullanılarak saldırı tespit sistemi geliştirilmesi
Development of intrusion detection system by using machine learning techniques for autonomous vehicles
DOĞUKAN AKSU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
- Derin pekiştirmeli öğrenme yöntemi ile görüntü hash kodlarını oluşturma
Generating image hash codes with deep reinforcement learning method
ELİF AKKAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BURHAN BARAKLI
- Development of a machine learning prediction model for construction safety management
İnşaat iş güvenliği yönetimi için makine öğrenmesine dayalı tahmin modeli geliştirilmesi
KERİM KOÇ
Doktora
İngilizce
2022
İnşaat MühendisliğiYıldız Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ASLI PELİN GÜRGÜN