Enhancing security level of industrial internet of things devices based on botnet detection and feature selection
Endüstriyel nesnelerin interneti cihazlarının güvenlik seviyesinin botnet tespiti ve özellik seçimi tabanlı geliştirilmesi
- Tez No: 928518
- Danışmanlar: PROF. DR. HASAN HÜSEYİN BALIK, ASSOC. DR. MUHAMMED ALİ AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Siber Güvenlik, BotNet, Avrasya Oystercatcher Optimizer (EOO), Rock Hyraxes Swarm Optimization (RHSO), X-IIoTID Veri Kümesi, Cybersecurity, BotNet, Eurasian Oystercatcher Optimizer (EOO), Rock Hyraxes Swarm Optimization (RHSO), X-IIoTID Dataset
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 100
Özet
Endüstriyel Nesnelerin İnterneti (IIoT) bağlamındaki siber güvenlik tehdidi ortamı, artan saldırı yüzeyi ve yeni sistem davranışlarının biriken karmaşıklığının bir sonucu olarak giderek daha karmaşık hale geliyor. BotNet'lerin Endüstriyel Nesnelerin İnterneti'ne bağlı cihazların kontrolünü ele geçirme potansiyeli, çok büyük güvenlik riskleri sunar. Özel bilgilerin suistimal edilmesi, kişilik haklarının ihlali ve hatta bazen tıbbi ekipmanın sabote edilmesi gibi insanların hayatlarını tehlikeye atan siber saldırıların komisyonu, BotNet saldırısının olası sonuçlarıdır. Ağ trafiğinden alınan verilerin güvenli mi yoksa kötü amaçlı mı olduğunun belirlenmesi söz konusu olduğunda, makine öğrenimine (ML) dayalı tekniklerin iyi bir tahmin doğruluğuna sahip olduğu bulunmuştur. ML kullanarak net akış anormalliği algılama, karmaşık ağ trafiğini yorumlayabildiği ve anormallikleri algılayabildiği için büyüleyici bir konudur. Bu tez, IIoT ortamında meydana gelen ve sonuçta IIoT cihazlarına sağlanan güvenlik düzeyinde bir iyileştirme ile sonuçlanacak olan BotNet saldırılarına maruz kalma riskini azaltmayı amaçlamaktadır. Bu nedenle, bu tezin amacı, öznitelik seçimine ve makine öğrenimi algoritmalarına dayalı çok sınıflı bir BotNet algılama sisteminin tasarımını ve uygulamasını göstermektir. Önerilen sistemde, IIoT siber tehditler konusunda uzmanlaşmış bir veri seti olan X-IIoTID veri seti, performansı için bir kıyaslama olarak hizmet etmek üzere kullanılmıştır. Eurasian Oystercatcher Optimizer (EOO) ve Rock Hyraxes Swarm Optimization (RHSO) algoritmaları birbirinden ayrı olarak, ML algoritmasını kullanan bir uygunluk analizcisi ile birlikte özellik seçim yaklaşımları olarak kullanılır. Önerilen uygunluk analizörü iki unsurdan oluşuyordu: bunlardan birincisi ML ile elde edilebilecek doğruluk seviyesi ve ikincisi ise çıkarılabilecek toplam öznitelik sayısıydı. Daha az veriyle uğraşmanın hem sistemin doğruluğu hem de kaynak tüketimi üzerinde olumlu bir etkisi olduğundan, veri kümesinin özniteliklerini azaltmak için EOO ve RHSO algoritmaları kullanılır. Hem EOO hem de RHSO algoritmaları ile elde edilen sonuçlar incelendikten sonra RHSO algoritmasının olumlu performans ürettiği belirlendi. Hem orijinal X-IIoTID veri kümesi, hem de tüm orijinal özellikleriyle birlikte yeni alt veri kümeleri, çok sınıflı sınıflandırıcılar (veri kümesi eşlemesini kullanan iki alt özellik alt kümesiyle) oluşturmak için kendisine uygulanan makine öğrenme yöntemleri Random Forest ve KNN'ye sahipti. . Önceki araştırma çalışmalarıyla karşılaştırıldığında, sonuçlar, doğruluk ve mevcut kaynakların tüketimi açısından önemli miktarda gelişme beklentisi ortaya koydu. Bu tezin sonuçları, önerilen sistemin karşılaştırılabilir yaklaşımlarla elde edilenlere göre daha üstün sonuçlar üretme yeteneğine sahip olduğunu göstermektedir. Deneysel çalışma, Rastgele Orman algoritması ile birlikte RHSO algoritmasının kullanılmasının, doğruluk oranı (%99.88), algılama süresi (1.25 dakika) ve bellek tüketimi (49.11 MB) ile üstün olduğunu ortaya koydu.
Özet (Çeviri)
The cybersecurity threat landscape in the Industrial Internet of Things (IIoT) context is becoming increasingly sophisticated as a result of the growing attack surface and the accumulative complexity of new system behaviors. The potential for BotNets to take control of devices attached to the Industrial Internet of Things presents enormous security risks. Exploitation of private information, violation of personal rights, and even occasionally the commission of cyberattacks that put people's lives in danger, such as the sabotaging of medical equipment, are all potential consequences of BotNets attack. Techniques based on machine learning (ML) have been found to have good prediction accuracy when it comes to determining whether data retrieved from network traffic is safe or malicious. Net flow anomaly detection using ML is a fascinating topic because it can interpret complex network traffic and detect anomalies. This thesis aims to lower the risk of exposure to BotNet attacks occurring in the environment of the IIoT, which will ultimately result in an enhancement in the level of security afforded to IIoT devices. Hence, the determination of this thesis is to reveal the design and implementation of a multi-classification BotNets detection system that is based on the selection of features and machine learning algorithms. The X-IIoTID dataset, which is a specialized dataset on IIoT cyber threats, was utilized in the suggested system in order to serve as a benchmark for its performance. Separately from one another, the Eurasian Oystercatcher Optimizer (EOO) and Rock Hyraxes Swarm Optimization (RHSO) algorithms are utilized as features selection approaches in conjunction with a fitness analyzer that makes use of the ML algorithm. The suggested fitness analyzer consisted of two elements: the first of these was the level of accuracy that could be achieved by ML, and the second of these was the total number of features that could be extracted. Since dealing with less data has a favorable effect on both the system's accuracy and its resource consumption, the EOO and RHSO algorithms are employed to reduce the attributes of the dataset. After examining the results obtained by both the EOO and RHSO algorithms, it was determined that the RHSO algorithm produced favorable performance. Both the original X-IIoTID dataset, with all of its original features, as well as the new sub datasets had the machine learning methods Random Forest and KNN applied to it in order to create multiclass classifiers (with two subsets of features using dataset mapping). When compared to the previous research works, the results revealed a substantial amount of development prospects in terms of accuracy and the consumption of available resources. The results of this thesis indicate that the proposed system is capable of producing superior outcomes to those achieved by the comparable approaches. The experimental study revealed that employing the RHSO algorithm in conjunction with the Random Forest algorithm was superior, with a rate of accuracy of (99.88%), time of detection (1.25 minute), and memory consumption of (49.11 MB).
Benzer Tezler
- Federe öğrenme kullanılarak nesnelerin interneti (IOT) verileri analizi
Analyzing internet of things (IOT) data using federated learning
SÜLEYMAN BURAK ALTINIŞIK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TURGAY TUGAY BİLGİN
- Üretim tezgahlarından toplanan verilerin standardizasyonu
Standardization of data collected from production machines
ABDULLAH ARDA GÜNAYDIN
Yüksek Lisans
Türkçe
2024
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA EKER
- Optımızatıon of payment automatıon ın constructıon projects through blockchaın-based smart contracts
İnşaat projelerinde ödeme otomasyonunun blokzincir tabanlı ve akıllı sözleşmelerle optimize edilmesi
HANAN RAJABBASHA HUBBİ
Yüksek Lisans
İngilizce
2025
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. FATMA PINAR ÇAKMAK
- Siber açıkların tespit edilmesi amacıyla bir uygulamanın geliştirilmesi ve siber saldırı senaryolarının incelenmesi: Türkiye örneği
Development of an application for the detection of cyber vulnerabilities and examination of cyber attack scenarios: The case of Turkiye
MEHMET ALİ TEKELİ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilişim Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH BAŞÇİFTÇİ
DOÇ. DR. EMRE AVUÇLU