Robust idss design for IoT based on smart algorithms
Akilli algoritmalara dayali nesnelerin interneti için dayanikli İdS tasarimi
- Tez No: 812128
- Danışmanlar: PROF. DR. SEZGİN AYDIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Aksaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 149
Özet
Genel olarak Nesnelerin İnterneti'nin (IoT'ler) ve özellikle Hareketli Nesnelerin İnterneti'nin (IoMT'ler) güvenlik açıkları, araştırmacıları davetsiz misafirlere ve saldırılara karşı güvenlik sistemleriyle donatmaya motive eder. IoMT'ler için anormallik tespitinin izinsiz giriş tespiti ile entegrasyonu yeterince ele alınmamıştır. Bu çalışma, anormallik tespiti için bir Kalman ve Cauchy kümelemesi oluşturarak ve bunu Extreme Learning Machine (ELM) sınıflandırıcısını kullanarak IoMT'ler içindeki kimlik doğrulama düğümleri için kullanarak bu sorunu ele almaktadır. Algoritma, çeşitli bileşenlerden oluşur. Bunlardan ilki, WiFi'yi IMU verileriyle birleştirmeye dayalı bir kapalı ortam içindeki yayaların yörüngesini tahmin etmek için Kalman filtresi tabanlı model, ikincisi Kalman filtresini kullanarak tahmini yörüngeye dayalı olarak IoMT'deki anormallik davranışını tespit etmek için güvenilirlik değerlendirmesi, üçüncüsü de, bir Online Sequential Extreme öğrenme makinesi (OSELM) kullanarak saldırıların tanımlanması için anormallik algılamayı çevrimiçi öğrenme ile entegre ederek IoMT sistemleri için IDS modelidir. OSELM algoritması, WiFi parmak izi için TamperU veri seti ve izinsiz giriş tespiti için KDD99 kullanılarak uygulanmış ve değerlendirilmiştir. Ayrıca, izinsiz giriş tespiti ve anormallik tespiti için karşılaştırma ölçütleri ile yapılan bir karşılaştırma, önerilen tüm sınıflandırma ölçütleri açısından önerilen yaklaşımın üstünlüğünü kanıtlamaktadır. Geliştirilen algoritma, anormallik tespiti için mevcut iki modelle, yani gelişen veri akışı için bir çok yoğunluklu kümeleme algoritması (MUDI) ve gelişen veri akışlarının rastgele şekillendirilmiş kümeler halinde tamamen çevrimiçi kümelenmesi (CEDAS) ile karşılaştırıldı. Sonuçlar, bu çalışmada geliştirilen algoritmanın, kullanılan anormalliklerin farklı yüzdeleri, farklı sayıda yaya sayısı ve farklı ortalama yaya hızlarını içeren üç farklı senaryo altında anormallik ve izinsiz giriş tespiti açısından üstünlüğünü kanıtlamıştır.
Özet (Çeviri)
The vulnerabilities of the Internet of Things (IoTs) in general and the Internet of Mobility Things (IoMTs) in particular motivate researchers to equip them with security systems against intruders and attacks. The integration of anomaly detection with intrusion detection for IoMTs has not been addressed adequately. This study tackles this issue through building a Kalman and Cauchy clustering for anomaly detection and using it for authentication nodes within IoMTs using the Extreme Learning Machine (ELM) classifier. The algorithm is composed of various components; firstly, the Kalman filter-based model for estimating the trajectory of pedestrians within an indoor environment based on fusing WiFi with IMU data. Secondly, trustworthiness assessment for detecting anomaly behaviour in IoMT based on the estimated trajectory using the Kalman filter. Thirdly, the trust IDS model for IoMT systems by integrating anomaly detection with online learning for attacks identification using an Online Sequential Extreme learning machine(OSELM). The OSELM algorithm has been implemented and evaluated using TamperU dataset for WiFi fingerprinting and KDD99 for intrusion detection. Furthermore, a comparison with benchmarks for intrusion detection and anomaly detection proves the superiority of the proposed approach in terms of all the considered classification metrics. The developed algorithm was compared with two existing models for anomaly detection, namely, a multi-density clustering algorithm for evolving data stream (MUDI) and fully online clustering of evolving data streams into arbitrarily shaped clusters (CEDAS). The results proved the superiority of the developed algorithm in this work in terms of anomaly and intrusion detection under three different scenarios that include different percentages of added anomalies, different numbers of pedestrians, and different average speeds of pedestrians.
Benzer Tezler
- Develop a robust computer network architecture that is resistant to unauthorized access by using machine learning methodologies
Makine öğrenme metodolojilerini kullanarak yetkisiz erişime dayanıklı, sağlam bir bilgisayar ağ mimarisi geliştirin
AYA AHMED TAWFEEQ TAWFEEQ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ Abdullahi Abdu IBRAHIM
- 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
- Robust regression, HCCM estimators and an empirical Bayes application
Katı regresyon, HISKM tahmin edicileri ve bir ampirik Bayes uygulaması
MEHMET ORHAN
Doktora
İngilizce
1999
Ekonometriİhsan Doğramacı Bilkent ÜniversitesiEkonomi Ana Bilim Dalı
PROF. DR. ASAD ZAMAN
- Robust control of a highly maneuverable aircraft
Yüksek manevra yetenekli bir uçağın dayanıklı (gürbüz) denetimi
MÜGE ERGÜN
Yüksek Lisans
İngilizce
1998
Uçak MühendisliğiOrta Doğu Teknik ÜniversitesiHavacılık Mühendisliği Ana Bilim Dalı
DOÇ. DR. OZAN TEKİNALP
- Dayanıklı kararlılık ve aralık çokterimlilerinin çözümlenmesi
Robust stability and analysis in interval polynomials
MURAT DURSUN BARUT
Yüksek Lisans
Türkçe
1998
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALPER URAZ