Behaviour-based security with machine learning on IoT networks
IoT ağlarında makine öğrenmesi ile davranış tabanlı güvenlik
- Tez No: 902275
- Danışmanlar: DOÇ. DR. MIKE JUST
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Heriot-Watt University
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Bilimleri Bilim Dalı
- Sayfa Sayısı: 287
Özet
Nesnelerin İnterneti (IoT) cihazlarının yaygınlaşması insan hayatının çeşitli yönlerini değiştirmiş, ancak cihaz heterojenliği ve sınırlı kaynaklar nedeniyle önemli güvenlik zorluklarını da beraberinde getirmiştir. Bu zorlukları ele alan bu tez, özellikle cihaz tanımlama (DI) ve saldırı tespiti (AD) olmak üzere güvenilir ve tekrarlanabilir IoT güvenlik önlemlerine odaklanmaktadır. Şu anda 10 milyardan fazla cihazın bağlı olduğu ve 2026 yılına kadar bu sayının 80 milyara ulaşacağı öngörüldüğünde, IoT cihazlarının güvenliğinin sağlanması kritik önem taşımaktadır. IoT cihazları hızlı saldırılara açıkken, geleneksel güvenlik yaklaşımları cihaz çeşitliliği nedeniyle engellerle karşılaşmaktadır. Özellikle makine öğreniminden yararlanan davranış tabanlı yöntemler, hem DI hem de AD için potansiyel çözümler sunmaktadır. Bununla birlikte, mevcut çalışmalar IoT heterojenliğini ele alma, bilgi sızıntısı özelliklerini analiz etme, makine öğrenimi içgörülerini anlama ve tekrarlanabilirliği sağlama konusunda sınırlamalardan muzdariptir. Bu araştırma, IoT DI ve AD için sağlam, şeffaf ve genelleştirilebilir çözümler geliştirerek bu boşlukları doldurmayı amaçlamaktadır. DI için, yeni bir toplama algoritması IP ve IP olmayan cihaz zorluklarını ele alarak doğruluğu önemli ölçüde artırır. Kapsamlı özellik seçimi, çeşitli veri kümelerinde doğrulanan optimum bir özellik seti ile sonuçlanır. AD'de, paket düzeyinde genişleyen ve yuvarlanan pencereler yöntemi, saldırıları daha erken tespit ederek geleneksel akış yöntemlerinden daha iyi performans gösterir. Modeller, ilk kez görülen izole saldırı veri kümeleri üzerinde değerlendirilerek yeni saldırılara uyarlanabilirlikleri gösterilmiştir. Ayrıca, makine öğrenimi modelleri ve özellikleri daha derin saldırı içgörüleri için analiz edilmiştir. Bu tez, IoT güvenliğinde cihaz tanımlama ve saldırı tespitinin karşılıklı bağımlılığının altını çizmekte ve ağ güvenliği için karşılıklı takviyelerini vurgulamaktadır. Tekrarlanabilir metodolojiler, şeffaf analizler ve uyarlanabilir modeller sunan bu çalışma, IoT cihazlarının ve ağlarının güvenliğinin artırılmasına katkıda bulunmaktadır. Nihayetinde bu araştırma, IoT heterojenliği, kaynak sınırlamaları ve dinamik saldırı modellerinin ortaya çıkardığı benzersiz zorlukları ele alarak daha güvenli bir IoT ekosisteminin yolunu açmaktadır.
Özet (Çeviri)
The proliferation of Internet of Things (IoT) devices has transformed various aspects of human life, yet has brought forth significant security challenges due to device heterogeneity and limited resources. Addressing this, the thesis focuses on reliable and reproducible IoT security measures, specifically device identification (DI) and attack detection (AD). With over 10 billion devices currently connected and a projected 80 billion by 2026, securing IoT devices is critical. Traditional security approaches face hurdles due to device diversity, while IoT devices are prone to rapid attacks. Behaviour-based methods, particularly utilising machine learning, offer potential solutions for both DI and AD. However, existing studies suffer from limitations in addressing IoT heterogeneity, analysing information leakage features, understanding machine learning insights, and ensuring reproducibility. This research aims to bridge these gaps by developing robust, transparent, and generalizable solutions for IoT DI and AD. For DI, a novel aggregation algorithm addresses IP and non-IP device challenges, significantly improving accuracy. Comprehensive feature selection results in an optimal feature set, validated across diverse datasets. In AD, a packet-level expanding and rolling windows method detects attacks earlier, outperforming conventional flow methods. The models are evaluated on isolated first-time-seen attack datasets, showcasing their adaptability to novel attacks. Furthermore, machine learning models and features are analysed for deeper attack insights. The thesis underscores the interdependence of device identification and attack detection within IoT security, emphasising their mutual reinforcement for network safety. By offering reproducible methodologies, transparent analyses, and adaptable models, this work contributes to enhancing the security of IoT devices and networks. Ultimately, this research paves the way for a more secure IoT ecosystem by addressing the unique challenges posed by IoT heterogeneity, resource limitations, and dynamic attack patterns.
Benzer Tezler
- Distributed anomaly-based intrusion detection system for IoT environment using Blockchain technology
Dağıtılmış anomali tabanlı saldırı tespit sistemi Blockchain teknolojisi kullanılan IoT ortamı için
NOUHA HEJAZI
Yüksek Lisans
İngilizce
2022
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- Machine learning based anomaly detection technique for in-vehicle networks
Araç içi ağlar için makine öğrenmesi tabanlı anomali tespit tekniği
ARİF AKAR
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KLAUS WERNER SCHMIDT
- Robust idss design for IoT based on smart algorithms
Akilli algoritmalara dayali nesnelerin interneti için dayanikli İdS tasarimi
TAMARA SAAD MOHAMED AL-JANABI
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAksaray ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEZGİN AYDIN
- Development of a new machine learning-based method to detect threats and prevent attacks on the internet of things and simulation with Cooja
Nesnelerin internetinde tehditleri algılamak ve saldırıları önlemek için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi ve Cooja ile benzetimi
ALI HAMID AHMED SALEH FAREA
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK
- Using deep learning technology to optimize VPN networks based on security performance
Güvenlik performansına göre VPN ağlarını optimize etmek için derin öğrenme teknolojisinin kullanılması
RANA ABDULKADHIM MAHDI MAHDI
Yüksek Lisans
İngilizce
2024
Bilim ve TeknolojiAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMAD İLYAS