Edge ve Fog computıng ortamında IoT zararlı yazılım tespiti
IoT malware detection on Edge and Fog computing environments
- Tez No: 835322
- Danışmanlar: PROF. DR. ABDÜL HALİM ZAİM, DR. HACI HAKAN KILINÇ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Ticaret Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 105
Özet
Bir bilgi işlem ortamının güvenli olarak nitelendirilebilmesi için o ortamı oluşturan tüm katmanların ve cihazların güvenliğinin sağlanması gerekmektedir. Edge ve Fog Computing ortamları da bu kurala uymakta olup bu ortamların güvenliğinin sağlanması büyük oranda Uç Cihazlar Katmanında bulunan Nesnelerin İnterneti (IoT) cihazlarının güvenliğine bağlıdır. Yeni geliştirilen diğer teknoloji alanlarında da olduğu gibi IoT cihazları da kötü niyetli kişilerin dikkatini çekmiş olup bu cihazlar için geliştirilen zararlı yazılımlar aracılığı ile çok etkili saldırılar gerçekleştirilmiştir. Ne yazık ki, bu çalışmanın tamamlandığı tarih itibari ile bu zararlı yazılımlar hakkında çok az bilgi bulunmakta olup IoT cihazları için etkili bir zararlı yazılım tespit yöntemi bulunmamaktadır. Bu nedenle bu çalışmada, ilk olarak IoT cihazlarını etkileyen zararlı yazılımların belirlenmesi hedeflenmiş ve 2008-2023 yılları arasında IoT cihazlarını etkileyen 64 adet zararlı yazılım tespit edilmiştir. Ayrıca bu zararlı yazılımların gelişim süreçleri incelenmiş ve phylogenetic ağaç ortaya çıkarılmıştır. Çalışmanın bu aşamasında son olarak belirlenen zararlı yazılımların davranışsal analizi yapılmıştır. Bu araştırmalardan edinilen tecrübeler ışığında, bu tez çalışmasının asıl hedefi olan statik analiz tabanlı IoT zararlı yazılım tespit yöntemi geliştirilmiştir. OPCODE sadeleştirme yöntemi ile farklı işlemci mimarileri için geliştirilen zararlı yazılımlar tek bir makine öğrenmesi modeli ile platform bağımsız olarak tespit edilmiş ve sonucunda yüzde 99 tutarlılık oranı elde edilmiştir. Ayrıca geliştirilen bu yöntem Tiny Makine Öğrenmesi yöntemlerinden faydalanılarak IoT cihazları üzerinde çalıştırılmış ve literatürde ilk defa mikro kontrolcü seviyesindeki cihazlarda IoT zararlı yazılımlarının tespit edilmesi sağlanmıştır.
Özet (Çeviri)
Developing a secure information processing environment highly depends on securing all the layers and devices in the environment. Edge/Fog computing environments are no exception in this case, and the security of these environments highly depends on securing Internet of Things (IoT) devices which are the most vulnerable devices throughout the environment. The adoption of Edge/Fog computing paradigms by new emerging technologies has stimulated malware development for IoT platforms. Recent attacks initiated by IoT malware show that these attacks have a tremendous impact on compromised systems in terms of the Quality of Service because of the number of infected IoT devices. In the light of these developments, there is an enormous need for efficient solutions. However, defense capabilities against these new malware types are highly constrained by the limited understanding of these new emerging paradigms and the lack of access to malware samples. Besides, there is no comprehensive malware detection mechanism for IoT devices. For this reason, this research firstly aims to locate the IoT malware families. 64 IoT malware families are located for the period of 2008 and 2023. A phylogenetic tree is developed to present the evolution of IoT malware. After that behavioral analysis of these malware families is conducted to reveal the characteristics of this new malware type. On completion of this phase, an IoT malware detection mechanism based on static analysis is developed. The developed malware detection mechanism utilises the OPCODE purification technique to detect IoT malware. Besides, this is a cross-architecture detection mechanism, and with a single Machine Learning model, it is able to detect IoT malware families that belong to all CPU architectures. The developed Machine Learning model achieved an accuracy rate of % 99. Last but not the least, for the first time in the literature, this Machine Learning model is able to run in the IoT devices as small as microcontrollers with Tiny Machine Learning.
Benzer Tezler
- Intelligent task allocation in edge computing with grey wolf optimization for iot-based applications
Iot tabanlı uygulamalar için grey kurt optimizasyonu ile kenar hesaplamada akıllı görev tahsisi
ARAM SATOUF
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER MELİ̇H GÜL
- Akıllı ev cihazlarının dijital ikizleri üzerinden sosyal ve bilişsel beceriler kazanarak liberalleşmesi için sis bilişim ve dağıtık hesap defteri teknolojisi tabanlı bir mimari tasarım
An architectural design based on fog computing and distributed ledger technologies to liberalize smart home appliances by enabling social and coginitive upskilling via their digital twins
CANKAL ALTUN
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. BÜLENT TAVLI
- Data analysis with distributed machine learning methods in smart city applications
Akıllı şehir uygulamalarında dağıtık makine öğrenmesi yöntemleriyle veri analizi
NAWAF ABDULLA
Doktora
İngilizce
2024
Yönetim Bilişim SistemleriGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET DEMİRCİ
PROF. DR. SUAT ÖZDEMİR
- Stochastic bitstream-based vision and learning machines
Stokastik bit akışı tabanlı görü ve öğrenme makineleri
SERCAN AYGÜN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Fog supported wireless sensor networks for forest fire detection
Orman yangınlarını algılamak için sıs destekli kablosuz sensör ağlar
FOUAD A. F. AMIRA FOUAD A. F. AMIRA
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ULUSOY