Explainable artificial intelligence based anomaly detection for internet of things
Nesnelerin interneti için açıklanabilir yapay zeka tabanlı anomali tespiti
- Tez No: 920979
- Danışmanlar: PROF. DR. SUAT ÖZDEMİR, DR. ÖĞR. ÜYESİ FEYZA YILDIRIM OKAY
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 80
Özet
IoT ekosistemi hızla büyüyerek birbirine bağlı milyarlarca cihazın günlük olarak büyük miktarda veri alışverişi yapmasına olanak tanımaktadır. Bu genişleme, sistemlerin güvenliğini ve güvenilirliğini sağlamayı her zamankinden daha kritik hale getirmiştir. Bu bağlamda, anomali tespiti, cihazların işlevselliğini riske atabilecek, veri bütünlüğünü bozabilecek veya kullanıcı gizliliğini tehdit edebilecek beklenmedik davranışları veya kötü niyetli faaliyetleri tespit etme olanağı sağladığı için büyük önem taşımaktadır. Ancak, IoT cihazlarının çeşitliliği, sınırlı kaynakları ve ürettikleri verinin büyük hacmi ve değişkenliği, etkili bir anomali tespiti için önemli zorluklar oluşturmaktadır. Bu zorlukların üstesinden gelmek, yalnızca doğru tespit mekanizmalarını değil, aynı zamanda kullanıcılar ve paydaşlar arasında güven oluşturacak şeffaf modelleri de gerektirir. Bu soruna çözüm olarak, bu tezde IoT sistemlerinde anomali tespitini geliştirmek amacıyla XAI teknikleri ile geleneksel Makine Öğrenimi (ML) yöntemlerini birleştiren bir yaklaşım önerilmektedir. Bu amaçla NSL-KDD veri seti kullanılarak üç aşamalı bir metodoloji uygulanmıştır. Birinci aşamada, Naive Bayes (NB), Decision Tree (DT), K-Nearest Neighbors (KNN), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Deep Neural Network (DNN) gibi klasik ML yöntemleri uygulanarak accuracy, f1-score, precision ve recall gibi performans metrikleri elde edilmiştir. İkinci aşamada, SelectKBest, Pearson Correlation, Chi-Kare, Information Gain ve Recursive Feature Elimination gibi özellik seçimi yöntemleriyle belirlenen en etkili 10 özellik kullanılarak modellerin aynı performans metrikleri elde edilmiştir. Son aşamada, XAI yöntemleri ile belirlenen özellik seti ile özellik seçimi yöntemleriyle belirlenen özellik seti birleştirilmiş ve XAI'ın etkisini gözlemlemek için her modelin başarı oranları incelenmiştir. Sonuç olarak, XAI'ın dahil edildiği durumlarda daha yüksek başarı oranlarının elde edildiği görülmüştür. Bu durum, XAI'ın özellik seçimi yöntemleriyle entegre edilmesinin yalnızca tespit doğruluğunu artırmakla kalmayıp, aynı zamanda anomali tespit sistemlerinin yorumlanabilirliğini ve güvenilirliğini de geliştirdiğini ve IoT ortamlarını gelişen tehditlere karşı güvence altına almak için XAI'ın hayati bir rol oynadığını göstermektedir.
Özet (Çeviri)
The Internet of Things (IoT) ecosystem is rapidly increasing, with billions of interconnected devices exchanging vast amounts of data daily. This expansion has made ensuring the security and reliability of IoT systems increasingly critical. In this context, anomaly detection is critical because it allows for the identification of unexpected patterns or malicious behaviors that could risk device functionality, compromise data integrity, or threaten user privacy. Despite its importance, effective anomaly detection in IoT systems faces challenges due to the diverse nature of IoT devices, their limited resources, and the large volume and variability of the generated data. Overcoming these challenges requires not only accurate detection mechanisms but also models that provide transparency and build trust among users and stakeholders. To address this problem, this thesis proposes an approach that combines Explainable Artificial Intelligence (XAI) techniques with traditional Machine Learning (ML) methods to enhance anomaly detection in IoT systems. A three-phase methodology is being implemented using the NSL-KDD dataset. In the first phase, the performance metrics of the models such as accuracy, f1-score, precision and recall are obtained by applying the classical ML methods such as Naive Bayes (NB), Decision Tree (DT), K-Nearest Neighbors (KNN), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Deep Neural Network (DNN). In the second phase, the same performance metrics of the models are obtained by using the most effective 10 features determined by the Feature Selection (FS) methods such as SelectKBest, Pearson Correlation, Chi-Squared, Information Gain, Recursive Feature Elimination. In the last phase, the feature set determined by the XAI methods and the feature set determined by the FS methods are combined, and the success rates of each model are observed in order to observe the effect of XAI. As a result, it is concluded that higher success rates were obtained when XAI was included. This demonstrates that integrating XAI with FS methods not only improves detection accuracy but also enhances the interpretability and trustworthiness of anomaly detection systems, highlighting the vital role of XAI in securing IoT environments against evolving threats.
Benzer Tezler
- Lojistik araç organizasyonunda yük faktörünün iyileştirilmesi için yapay zekâ temelli bir karar destek sistemi önerisi
An artificial intelligence based decision support system proposal for improving load factor in logistic vehicle organisation
RAZİYE KILIÇ SARIGÜL
Doktora
Türkçe
2025
Endüstri ve Endüstri MühendisliğiAtatürk ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK ERKAYMAN
DR. ÖĞR. ÜYESİ BİLAL USANMAZ
- Hukuk davaları için açıklanabilir yapay zeka tabanlı karar destek sistemi geliştirilmesi
Developing an explainable artificial intelligence based decision support system for law cases
UMUT KÖSE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAfyon Kocatepe Üniversitesiİnternet ve Bilişim Teknolojileri Yönetimi Ana Bilim Dalı
DOÇ. DR. GÜR EMRE GÜRAKSIN
- Yapay zeka tabanlı non-ınvazıv kan şekeri ölçümü
Artificial intelligence-based non-invasive blood glucose measurement
GÖKHAN ADIGÜZEL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBolu Abant İzzet Baysal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT ŞENTÜRK
PROF. DR. KEMAL POLAT
- Mamografi görüntüleri kullanarak evrişimsel sinir ağı tabanlı meme kanserinin erken tespiti
Convolutional neural network based early detection of breast cancer using mammography images
TUĞÇE ÇOBAN
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. UÇMAN ERGÜN
- Derin öğrenme yöntemleri kullanarak kardiyovasküler hastalıkların tahmini ve yorumlanması
Prediction and interpretation of cardiovascular diseases using deep learning methods
ALİ VIRIT
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKahramanmaraş Sütçü İmam ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ ÖTER