Anomaly detection of web traffic between IoT devices
Başlık çevirisi mevcut değil.
- Tez No: 800837
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- 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: 53
Özet
NESNELERIN İnterneti (IOT) ağlarında anormal algılama ve veri trafiği izleme, IOT ağlarına bağlı cihazların/sensörlerin durumu nedeniyle zordur. Ayrıca, cihaz veri akışının korunması ve algılanması, cihazların/sensörlerin çeşitliliği ve heterojenliği ile temsil edilen anonimliği gerektirir. Sonuç olarak, bu çalışma heterojen aygıtları etkinleştiren ve verilerdeki anormallikleri tespit eden farklı modüllerin karşılaştırmasını sunar. Bu çalışmada, veri trafiği yönetimi ve ağ izleme sorunlarını çözmek için üç ayrı ML algoritması (K-en yakın komşular, Rastgele Orman ve XGB Sınıflayıcı) kullanılır. Yetersiz veri trafiğinde bile, bir IoT ağındaki anormallikleri etkili bir şekilde tanımlamak için %80 ile %89 arasında doğruluk elde edilebilir.
Özet (Çeviri)
Anomaly detection and data traffic monitoring on Internet of Things (IOT) networks are difficult due to the status of devices/sensors linked to IOT networks. Furthermore, preserving and detecting device data flow necessitates anonymity, which is represented by the diversity and heterogeneity of the devices/sensors. As a result, this study presents a comparison of distinct modules that enable heterogeneous devices and detect abnormalities in data. In this study, three distinct ML algorithms (K-Nearest Neighbors, Random Forest, and XGB Classifier) are used to solve data traffic management and network monitoring problems. It is demonstrated that even with inadequate data traffic, accuracy between 80% and 89 % may be attained for efficiently identifying anomalies in an IoT network.
Benzer Tezler
- Detection of the DNS tunneling attack traffic within DNS over HTTPS traffic
HTTPS tabanlı DNS trafikleri içerisindeki DNS tünelleme saldırı trafiğinin algılanması
MURAT SELÇUK KARALAR
Yüksek Lisans
İngilizce
2021
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- İklimlendirme sistemleri üzerinde makine öğrenmesi ile anomali tespiti
Anomaly detection with machine learning on air conditioning systems
REFİK KİBAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMED FATİH ADAK
DR. ÖĞR. ÜYESİ KEVSER OVAZ AKPINAR
- A hybrid deep learning framework for unsupervised anomaly detection in multivariate spatio-temporal data
Uzamsal-zamansal çok boyutlu verilerde denetimsiz anomali tespiti için hibrit derin öğrenme çerçevesi
YILDIZ KARADAYI
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET NAFİZ AYDIN
DR. ÖĞR. ÜYESİ ARİF SELÇUK ÖĞRENCİ
- A testbed design for intrusion detection and mitigation in SDN architecture by using DPI
Yazılım tanımlı ağ mimarisinde derin paket analizi kullanarak saldırı tespiti ve önleme için deney düzeneği tasarımı
AHMED DIRIE
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CELAL ÇEKEN
- Detecting the anomalies on number of website sessions with machine learning algorithms
Makine öğrenmesi yöntemleri ile internet sitesi oturum sayılarında anomali tespiti
FURKAN ALVER
Yüksek Lisans
İngilizce
2024
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERHAN ÇENE