Intrusion detection system in IoT networks using deep learning classification
Başlık çevirisi mevcut değil.
- Tez No: 778199
- Danışmanlar: PROF. DR. GALİP GANSEVER
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 79
Özet
Bu yeni teknolojiler insanlığın ilerlemesine yardımcı olmak için yaratılmış olsalar da, üçüncü taraflardan bilgi çalmak veya yok etmek isteyenler tarafından kullanılan güvenlik açıkları var [6]. Örneğin, yaygın bir güvenlik açığı, cihazların çok zayıf parolalar, hatta standart parolalar kullanmasıdır [7]. Kötü amaçlı ajanlar tarafından kullanılan bir strateji Botnet'lerdir, saldırı emirleri alabilen, virüslü cihazlardan oluşan organize bir ağdan oluşurlar. Bu nedenle IoT güvenliği dikkat edilmesi gereken bir konudur. [4], 2020 yılına kadar 26 milyara kadar IoT cihazının internete bağlanacağına işaret eden projeksiyonları vurgulamaktadır. Bu nedenle, IoT güvenliğini garanti edebilecek yaklaşımlar geliştirmek gerekmektedir. Diğer ağ senaryolarının güvenliği için yaygın olarak kullanılan bir savunma hattı saldırı tespit sistemleridir. Literatür, [8] ve [9] gibi, kötü niyetli davranışın ortaya çıkışını tespit etmek için genellikle denetimli makine öğrenimini kullanan, bu doğrultuda birkaç çalışma sunar. Bu yaklaşımlarda bulunan bir zorluk, yüksek bir hesaplama ve insan maliyeti söz konusu olduğundan, veritabanı etiketleme sürecidir. Donanım tüketimiyle ilgili bu endişe IoT bağlamında da mevcuttur. Bu yöntemde algoritma, veri kümelerinin özelliklerini benzerliklerine göre düzenlemek için kullanır, buna veri kümesi ön işleme aşamasında veya adım 1, veri kümesinde özellik seçimi denir. KDD olan CUP 99(KDD), IDS değerlendirmesi için oluşturulmuştur ve DoS, R2L, U2R ve araştırma gibi dört tür saldırı içerir. KDD, her bir TCP bağlantısının trafik özellikleri, temel ve içerik özelliklerini içeren 41 özellikten oluşur. KDD, izinsiz giriş tespitinde veri madenciliği ve makine öğrenimi çalışmalarında yaygın olarak kullanılmaktadır.
Özet (Çeviri)
Although these new technologies are being created to assist human progress, they still have security holes, which are used by those who wish to steal or destroy information from third parties [6]. For example, a common security hole is that devices use very weak passwords, or even standard passwords [7]. A strategy used by malicious agents is Botnets, they are composed of an organized network of infected devices, which can receive attack orders. Therefore, IoT security is an issue that deserves attention. [4] highlights projections that point that up to 26 billion IoT devices will be connected to the Internet by 2020. Therefore, it is necessary to develop approaches that can guarantee IoT security. A line of defense commonly used for the security of other network scenarios is intrusion detection systems. The literature presents several works along these lines, which, like [8] and [9], often use supervised machine learning to detect the occurrence of malicious behavior. One difficulty found in these approaches is the database labeling process, since there is a high computational and human cost involved. Such concern with hardware consumption is also present in the context of IoT In this method, the algorithm uses the characteristics of the data sets to organize them according to their similarities, this is called feature selection in the dataset preprocessing phase or step 1, the dataset being KDD CUP 99(KDD) was generated for IDS evaluation and includes four types of attacks such as DoS, R2L, U2R, and probing. KDD consists of 41 features including traffic features, basic and content features of each TCP connection. KDD has been widely used for data mining and ML studies on intrusion detection
Benzer Tezler
- Kritik altyapılara yönelik derin öğrenme tabanlı saldırı tespit sistemi tasarımı
Deep learning based-intrusion detection system design for critical infrastructure
HAKAN CAN ALTUNAY
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER ALBAYRAK
- IoT için makine öğrenmesi tabanlı saldırı tespiti
Machine learning based intrusion detection for IoT
AYÇA NUR KAHYA
Yüksek Lisans
Türkçe
2022
Mühendislik BilimleriEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN
- Nesnelerin interneti tabanlı ağ trafiğinde ileri makine öğrenimi ve derin öğrenme yöntemleri ile anomali tespiti
Anomaly detection in internet of things based network traffic with advanced machine learning and deep learning methods
YAĞIZ ONUR KOLCU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe ÜniversitesiBilgisayar Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET HAŞİM YURTTAKAL
- A semi supervised classification based approach using autoencoders for intrusion detection system
Autoencoder kullanan yarı denetimli sınıflandırma tabanlı saldırı tespit sistemi
AHMAD HAMDI ALATTAR
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik ÜniversitesiFen Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ
- Machine learning approaches for internet of things based vehicle type classification and network anomaly detection
Nesnelerin interneti tabanlı araç tipi sınıflandırma ve ağ anomalisi tespiti için makine öğrenmesi yaklaşımları
BURAK KOLUKISA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR