Akıllı araç ağlarında hibrit saldırı tespit sistemi modeli önerisi
Hybrid intrusion detection system model proposal in autonomous vehicle networks
- Tez No: 868771
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET ALİ ERTÜRK, DOÇ. DR. MUHAMMED ALİ AYDIN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Ulaşım, Computer Engineering and Computer Science and Control, Science and Technology, Transportation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Akıllı Ulaşım Sistemleri Ana Bilim Dalı
- Bilim Dalı: Akıllı Ulaşım Sistemleri Bilim Dalı
- Sayfa Sayısı: 198
Özet
Gelişen teknolojinin amacı, sahip oldukları otonomi seviyelerine bağlı olarak, araçların az veya hiç insan müdahalesi olmadan, otonom çalışabilmesini sağlamaktır. Tam otonom sürüşü (AD) mümkün kılan çeşitli faktörler vardır. Bunlar, düşük gecikmeli hücresel iletişim (LLC), Araçlardan Her Şeye (V2X) ve Yapay Zekâ (AI) olarak öne çıkmaktadır. Ancak, bilgisayar algoritmalarına dayanmak siber güvenlik endişelerini de beraberinde getirmektedir. Herhangi bir Otonom Araçtaki (AV) bir güvenlik ihlali, ciddi yaralanmalara, hatta ölümlere sebep olabilir. Bu nedenle, yeni nesil AV'ler kötü niyetli saldırıları önlemek için iyi güvenlik çözümlerine ihtiyaç duyar. Bu tez, en yeni güvenlik teknolojilerini, protokolleri, organizasyonları ve AD'nin diğer yönlerini irdeleyecektir. Başlangıçta, V2X, İzinsiz Saldırı Tespit Sistemleri (IDS), iş birliğine dayalı güvenlik yaklaşımları ve standartları gibi kavramlara odaklanılacaktır. Ardından, yanlış davranış tespiti (MBD), kolektif algı (CP) ve AI gözünden, bugüne kadar AD üzerine yapılmış en son güvenlik çalışmaları belirtilecektir. Bununla birlikte, bu çalışma, MBD, CP, AI ve ilgili teknolojiler hakkında kapsamlı bir V2X güvenlik kılavuzudur. Öte yandan, MBD, bir V2X ağ öğesinin, araç geçici ağlarında (VANET) işlemler gerçekleştirirken, öğenin amacını veya itibarını değerlendirme sürecidir. V2X ağında bulunan Yanlış Davranış Yetkilisi (MBA), bir ağ öğesinin itibarını farklı kaynaklarla ilişkilendirilen veriler ve ölçümlerle değerlendirir. Bu kaynaklar uygunsuz davranış raporları (MBR), işbirlikçi farkındalık mesajları (CAM), merkezi olmayan çevresel mesajlar (DENM) veya kolektif algı (CP) mesajları (CPM) olabilmektedir. MBR'ler diğer kaynaklar arasında en faydalı katkıyı sunar. MBR, bir V2X ağ öğesinin diğer V2X ağ öğeleri tarafından algılanmış durumudur. MBA tüm raporları alır ve zararlı davranışları değerlendirir. Değerlendirmenin olumsuz sonuçlanması halinde, hatalı davranışta bulunan tarafın ağa bağlanmak için kullandığı sertifikası geçersiz veya kısıtlı hale getirilir. Böylece düğüm ağa katılamayacak veya en azından aynı kötü amaçlı işlemleri yapamayacak durumda olacaktır. Belirtildiği gibi MBD, sertifika tabanlı bir siber güvenlik mekanizmasıdır. Bu nedenle MBD'ler, Saldırı Tespit Sistemi (IDS) olarak sınıflandırılamazlar. Klasik IDS'ler öncelikle (OSI seviye 3 ve üst katmanlar) veri paketleri üzerinde çalışırken, MBD raporlar veya mesajlar üzerinde çalışmaktadırlar. Literatürde MBA tarafından sağlanan tek karşı önlem bir V2X öğesinin itibarını değerlendirmek ve buna dayanarak da bu öğeyi kısıtlamak veya ağa giriş yapmasını engelleyerek yasaklamaktır. Bununla birlikte, bu çalışmada, MBA içerisinde karşılaşılan güvenlik sorunlarına uzay-zamansal (spatio-temporal, ST) çizelge yapay sinir ağları (GNN) tabanlı bir çözüm önerisi sunulmuştur. GNN'ler, Temsili Öğrenmedeki gelişmelerin ardından araştırmacıların dikkatini çekmeye başlamıştır. Klasik makine öğrenimi (ML) yöntemlerinden farklı olarak, veri yapısında daha fazla kavramı temsil etme yeteneği, GNN'ye açık bir avantaj sağlamaktadır. Öte yandan, MBD, yetkili araçların V2X Ağlarındaki kötü niyetli faaliyetlere karşı korunmasını sağlayan bir güvenlik çözümü haline gelmiştir. Yetkililer MBD'yi standart durumuna getirmektelerse de, ML çalışmaları için gereken yeterli sayıda MBD veri seti bulunmamaktadır. Var olan veri setleri de GNN'ler için uygun durumda değillerdir. Bu çalışmada, klasik MBD veri kümelerini GNN uyumlu hale dönüştürmek için bir algoritma sağlayarak bu konuyu da ele almaktayız. Ardından, V2X ağlarındaki hatalı davranış aktivitelerini tespit etmek için yeni bir GNN modeli önerilmiştir. Elde edilen sonuçlar, önerilen GNN modelinin %99,92 doğruluk, %99,9196 geri çağırma, %41 daha iyi çalışma zamanı verimliliği ve %97,35 Matthews Korelasyon Katsayısı (MCC) ile mevcut yöntemlerden daha iyi performans göstermektedir.
Özet (Çeviri)
The aim of developing technology is to enable vehicles to operate autonomously, with little or no human intervention, depending on their level of autonomy. There are several factors that make fully autonomous driving (AD) possible. These stand out as low latency cellular communications (LLC), Vehicles to Everything (V2X) and Artificial Intelligence (AI). However, relying on computer algorithms also raises cybersecurity concerns. A security breach in any Autonomous Vehicle (AV) can cause serious injuries or even death. Therefore, next-generation AVs need good security solutions to prevent malicious attacks. This thesis will examine the latest security technologies, protocols, organizations, and other aspects of AD. Initially, the focus will be on concepts such as V2X, Intrusion Detection Systems (IDS), collaborative security approaches and standards. Then, the latest security studies on AD from the perspective of misbehavior detection (MBD), collective perception (CP) and AI will be highlighted. However, this study is a comprehensive V2X security guide on MBD, CP, AI, and related technologies. On the other hand, MBD is the process by which a V2X network element evaluates the purpose or reputation of the element while performing transactions on vehicle ad hoc networks (VANET). The Misbehavior Authority (MBA) in the V2X network evaluates the reputation of a network element with data and metrics associated with various sources. These sources can be misbehavior reports (MBR), collaborative awareness messages (CAM), decentralized environmental messages (DENM), or collective perception (CP) messages (CPM). MBRs offer the most useful contribution among other resources. MBR is the state of a V2X network element as detected by another V2X network elements. MBA receives all reports and evaluates harmful behavior. If the evaluation is negative, the certificate used by the offending party to connect to the network will be invalidated or restricted. Thus, the node will be unable to participate in the network or at least will not perform the same malicious actions. As mentioned, MBD is a certificate-based cybersecurity mechanism. Therefore, MBDs cannot be classified as Intrusion Detection Systems (IDS). While classical IDSs primarily work on data packets (OSI level 3 and upper layers), MBDs work on reports or messages. For MBAs, The only countermeasure provided in the literature is evaluating the reputation of a V2X element and based on that, restrict or ban it by preventing it from entering the network. In this work, our method, provided as a solution to indicated security concerns, created with graph artificial neural networks (GNN), has found the best results in the literature. Moreover, GNNs have begun attracting the attention of researchers following advances in Representation Learning. Unlike classical machine learning (ML) methods, the ability to represent more concepts in the data structure gives GNN a clear advantage. On the other hand, MBD has become a security solution that ensures the protection of authorized vehicles against malicious activities in V2X Networks. Although authorities are standardizing MBD, there are not enough MBD datasets needed for ML studies. Existing data sets are also not suitable for GNNs. In this work, we also address this issue by providing an algorithm to convert classical MBD datasets into GNN compatible ones. Additionally, a new GNN model is proposed to detect misbehavior activities in V2X networks. The results obtained show that the proposed GNN model outperforms existing methods with %99.92 accuracy, %99.9196 recall, %41 better runtime efficiency and %97.35 Matthews Correlation Coefficient (MCC).
Benzer Tezler
- Derin öğrenme ile cerrahi video anlama
Surgical video understanding with deep learning
ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DUYGU SARIKAYA
- Traffic volume prediction using LSTM improved with rules obtained from anomalies
Anomalilerden elde edilen kurallarla geliştirilmiş uzun-kısa süreli bellekler ile trafik hacim tahmini
YASİN BERK GÜLTEKİN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI TOROSLU
DR. CEVAT ŞENER
- Fiber optic network-based remote sensing of rail systemsvehicles
Raylı sistem araçlarının fiber optik ağlar kullanılarakuzaktan algılanması
SERHAT BOYNUKALIN
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. SELÇUK PAKER
- Vı̇deo tabanlı otomatı̇k araç tespı̇tı̇ ı̇çı̇n hı̇brı̇t bir derı̇n öğrenme mı̇marı̇sı̇
A hybrid deep learning architecture for video-based automatic vehicle detection
MOHAMMED ABDULJABBAR ZAID AL BAYATI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR