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: Destek vektör makineleri, Evrişimli sinir ağları, Saldırı tespit sistemi (IDS), Support vector machines, Convolutional neural networks, Intrusion detection system (IDS)
- 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: Belirtilmemiş.
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
- A DEEP LEARNING INTRUSION DETECTION FRAMEWORK FOR IIOT NETWORKS USING SIMULATED AND TON-IOT DATASETS
SIMÜLE EDILMIŞ VE TON-IOT VERI SETLERI KULLANILARAK IIOT AĞLARI İÇIN DERIN ÖĞRENME TABANLI BIR SALDIRI TESPIT ÇERÇEVESI
NOOR SALİM GHANİM YAHYA
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gelişim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ DAHMAN
- IoT ağları için yeni bir saldırı tespit sistemi tasarımı
Design of a new intrusion detection system for IoT networks
TUĞBA ULUSOY
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÜNAL ÇAVUŞOĞLU
- Saldırı tespit sistemlerinde derin öğrenme uygulamaları
Implementations of deep learning in intrusion detection systems
TALHA BURAK ÖZKÖK
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
- 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 ağlarına yönelik siber saldırıların tabm mimarisi ile çok sınıflı tespiti: CIC-IoT-2023 veri seti üzerine kapsamlı bir çalışma
Multi-classified detection of cyber attacks on iot networks using tabm architecture: a comprehensive study on the CIC-IoT-2023 dataset
MUHAMMED KAPLANGÖZ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET HACIBEYOĞLU