IoT'de meydana gelen DDoS saldırılarının derin öğrenmeyöntemleri kullanılarak büyük veri ortamında analizive tespiti
Analysis and detection of ddos attacks in IoT by using deeplearning methods in big data environment
- Tez No: 860760
- Danışmanlar: PROF. DR. MURAT DENER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
IoT'de kurulan ağların karşılaşabileceği en büyük tehlikelerin başında kötücül saldırılar gelmektedir. Bu saldırılardan en çok karşılaşılan saldırı ise DDoS ataklarıdır. Saldırılar sonrasında ağın haberleşme trafiği engellenebilir, sensör düğümlerin enerjisi hızlıca azabilir. Bu yüzden, oluşan saldırıların tespit edilmesi büyük önem taşımaktadır. Kurulan ağ içerisinde birçok sensör düğüm olduğu düşünüldüğünde oluşan ağ trafik datası geleneksel yöntemlerle analiz edilmesi imkânsız hale gelebilmektedir. Ağdaki bu trafiğin büyük veri ortamında analiz edilmesi gerekmektedir. Bu çalışmada, elde edilen ağ trafik veri setinin büyük veri ortamında analiz edilmesi ve oluşturulan derin öğrenme algoritması ile ağda meydana gelen saldırıların tespit edilmesi amaçlanmaktadır. Bu çalışma, Google Colaboratory (Colab) ortamında PySpark ile Apache Spark kullanılarak gerçekleştirilmiştir. Çalışmada Keras ve Scikit-Learn kütüphaneleri kullanılmıştır. Modelin eğitiminde ve test edilmesinde 'CICIoT2023' ve 'TON_IoT' verisetleri kullanılmıştır. Verisetlerindeki özellikler korelasyon yöntemi kullanılarak azaltılmış, önemli özelliklerin testlere dahil edilmesi sağlanmıştır. Bir boyutlu CNN ve LSTM kullanılarak oluşturulan hibrit bir Derin Öğrenme Algoritması tasarlanmıştır. Geliştirilen yöntem, 10 farklı makine öğrenmesi ve derin öğrenme algoritmalarıyla karşılaştırılmıştır. Geliştirilen model Doğruluk, Kesinlik, Geri çağırma ve F1 parametreleri kullanılarak değerlendirilmiştir. Yapılan çalışma sonrasında, 'CICIoT2023' veri setinde binary sınıflandırma olarak %99,995 ve çoklu sınıflandırma olarak ise %99,96 doğruluk oranına ulaşılmıştır. 'TON_IoT' veri setinde ise binary sınıflandırma başarısında %98,75'e ulaşılmıştır.
Özet (Çeviri)
The most significant threat that networks established in IoT may encounter is malicious attacks. The most commonly encountered attack among these threats is DDoS attacks. After attacks, the communication traffic of the network can be disrupted and the energy of sensor nodes can quickly deplete. Therefore, the detection of occurring attacks is of great importance. Considering that there are numerous sensor nodes in the established network, analyzing the network traffic data through traditional methods can become impossible. Analyzing this network traffic in a big data environment is necessary. In this study, the aim is to analyze the obtained network traffic dataset in a big data environment and detect attacks in the network using a deep learning algorithm. This study is conducted using PySpark with Apache Spark in the Google Colaboratory (Colab) environment. Keras and Scikit-Learn libraries are utilized in the study. CICIoT2023 and TON_IOT datasets are used for training and testing the model. The features in the datasets are reduced using the correlation method, ensuring the inclusion of significant features in the tests. A hybrid Deep Learning Algorithm is designed using one-dimensional CNN and LSTM. The developed method was compared with 10 different machine learning and deep learning algorithms. The model's performance is evaluated using Accuracy, Precision, Recall, and F1 parameters. Following the study, a accuracy rate of 99.995% for binary classification and 99.96% for multi-classification is achieved in the CICIoT2023 dataset. In the TON_IOT dataset, a binary classification success rate of 98.75% is reached.
Benzer Tezler
- New lightweight DoS attack mitigation techniques for RPL based IoT networks
RPL temelli IoT ağları için DoS saldırılarının etkisini azaltacak yeni teknikler
AHMET ARIŞ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- Detection of common IoT authentication attacks and design of a lightweight authentication and key management protocol
Nesnelerin internetinde yaygın asıllama saldırılarının belirlenmesi ve hafifsıklet asıllama ve anahtar yönetimi protokolünün tasarımı
IŞIL ÇETİNTAV
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET TAHİR SANDIKKAYA
- Alçak gerilim elektrik dağıtım hatlarında meydana gelen kayıpların tespiti için nesnelerin interneti tabanlı modüler sistem tasarımı
Internet of things based modular system design for detection of losses occuring in low voltage electricity distribution lines
MURAT GÜLEYDİN
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DAVUT İZCİ
- Derin öğrenme teknikleri ile anomali içeren metal somunların hata tespit ve sınıflandırılması
Fault detection and classification of metal nuts containing anomaly by deep learning techniques
HASAN GÖKKAYA
Yüksek Lisans
Türkçe
2020
İşletmeDokuz Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. CAN AYDIN
- Bowel activity detection algorithm with active noise cancellation for IoT devices
IoT cihazlari i̇çin aktif gürültü önleme özellikli bağırsak sesi tespit algoritmasi
ERDİNÇ TÜRK
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAkdeniz ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÜMİT DENİZ ULUŞAR