Iot and physical cyber security intrusion detection based on supervised machine learning
Denetimli makine öğrenimine dayalı ıot ve fiziksel siber güvenlik saldırı tespiti
- Tez No: 797279
- Danışmanlar: YRD. DOÇ. DR. PINAR SARISARAY BÖLÜK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 59
Özet
Internet of Things and cyber physical systems devices are increasingly used in a wide range of applications, from healthcare and wearable devices to critical infrastructures such as nuclear power plants, autonomous vehicles, and smart cities. However, these devices are fundamentally insecure in terms of their programming, electronics, and communications infrastructure. In addition, the increasing number of networks leads to easy security breaches. This represents a wide area of attack that hackers can exploit. Existing methods of detecting unknown system vulnerabilities are very slow, and it is difficult to obtain high accuracy within a short time. An intrusion detection system is the best solution for detecting vulnerabilities and exploits, and can be strategically placed within the network to track traffic from the source to the recipient; the use of machine learning algorithms can also help to give the best level of security. A machine learning system is very accurate, allowing us to instantly predict attacks while reducing the search space. This proposed line of defense reinforces the same spending of security precautions based on said weaknesses due to discerning and motivated cybersecurity practitioners to adopt them in real-world CPS/IoT applications. In this study, the KDD Cup 1999 dataset with 41 available features is used with the implementation of supervised machine learning algorithms such as an artificial neural network, gradient boosting, logistic regression, support vector machine, random forest, decision tree, and Gaussian naïve Bayes as well as BoTNeTIoT-L01-v2. We compare the results in terms of strength, accuracy, and execution time. Our experimental results indicate that the decision tree model has a higher accuracy than the other algorithms.
Özet (Çeviri)
Nesnelerin İnterneti ve siber fiziksel sistem cihazları, sağlık ve giyilebilir cihazlardan nükleer santraller, otonom araçlar ve akıllı şehirler gibi kritik altyapılara kadar geniş bir uygulama yelpazesinde giderek daha fazla kullanılmaktadır. Ancak bu cihazlar, programlama, elektronik ve iletişim altyapıları açısından temelde güvensizdir. Ayrıca artan ağ sayısı güvenlik ihlallerinin kolaylaşmasına neden oluyor. Bu, bilgisayar korsanlarının yararlanabileceği geniş bir saldırı alanını temsil eder. Bilinmeyen sistem güvenlik açıklarını tespit etmeye yönelik mevcut yöntemler çok yavaştır ve kısa sürede yüksek doğruluk elde etmek zordur. Saldırı tespit sistemi, güvenlik açıklarını ve istismarları tespit etmek için en iyi çözümdür ve kaynaktan alıcıya trafiği izlemek için ağ içine stratejik olarak yerleştirilebilir; makine öğrenimi algoritmalarının kullanılması da en iyi güvenlik düzeyinin sağlanmasına yardımcı olabilir. Bir makine öğrenimi sistemi çok hassastır ve arama alanını azaltırken saldırıları anında tahmin etmemizi sağlar. Önerilen bu savunma hattı, siber güvenlik uygulayıcılarının bunları gerçek dünyadaki CPS/IoT uygulamalarında benimsemeleri nedeniyle söz konusu zayıflıklara dayalı olarak aynı güvenlik önlemleri harcamasını güçlendiriyor. Bu çalışmada, 41 mevcut özelliğe sahip KDD Cup 1999 veri seti, yapay sinir ağı, gradyan artırma, lojistik regresyon, destek vektör makinesi, rastgele orman, karar ağacı ve Gauss naif Bayes gibi denetimli makine öğrenmesi algoritmalarının uygulanmasıyla kullanılmıştır. BoTNeTIoT-L01-v2'nin yanı sıra. Sonuçları güç, doğruluk ve uygulama süresi açısından karşılaştırıyoruz. Deneysel sonuçlarımız, karar ağacı modelinin diğer algoritmalara göre daha yüksek bir doğruluğa sahip olduğunu göstermektedir.
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
- Makine öğrenimini kullanarak IoT ağlarında saldırı tespiti
Intrusion detection in IoT networks using machine learning
HANAN ABU KWAIDER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU
- Intrusion detection system in iot networks using machine learning
Makine öğrenmeyi kullanarak ıot ağlarında sözleşme algılama sistemi
ALHASAN KADHIM RESEN RESEN
Yüksek Lisans
İngilizce
2022
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Siber güvenlik ölçeği geliştirme: Geçerlik ve güvenirlik çalışması
Development of the cybersecurity scale (CS-S): Evidence of validity and reliability
KADİR SEVİNÇ
Yüksek Lisans
Türkçe
2021
Bilim ve TeknolojiTokat Gaziosmanpaşa ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DOÇ. DR. İBRAHİM ARPACI