Derin öğrenme yöntemleri kullanılarak elektronik cihazların yaydığı ve ürettiği sinyaller üzerinden kimliklendirilmesi
Identification of electronic devices through signals emitted and produced using deep learning methods
- Tez No: 930542
- Danışmanlar: PROF. DR. TÜLAY YILDIRIM
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 169
Özet
Günümüzde elektronik cihazların kritik ortam ve sistemlerde bulunması güvenlik kontrollerinin yapılmasını karmaşıklaştırabilmektedir. Sinyallerin dijital formata çevrildikten sonra güvenlik kontrollerinin yapılması dijital kimlik ya da sertifikaların ele geçmesi durumunda cihazların kimliğinin taklit edilmesine yol açmaktadır. Bu tez çalışması kapsamında kablolu sinyaller, kablosuz sinyaller ve yayılan elektromanyetik sinyallerin ham formatı kullanılarak üç ayrı başlıkta cihazların kimliklendirilmesi sağlanmıştır. Kablolu sinyal olarak Ethernet sinyalleri, kablosuz sinyaller olarak WiFi ve LoRa sinyalleri, elektromanyetik sinyal olarak ise iletilen emisyon sinyalleri ile havadan yayılan elektromanyetik emisyon sinyalleri kullanılmıştır. Önerilen sistemlerin geliştirilmesi için öncelikli olarak sistemlerde tanımlı cihazlar üzerinden ilgili sinyaller toplanmıştır. Sinyallerin toplanarak veri seti oluşturulabilmesi için kullanılan protokole bağlı olarak cihazlardan alınan sinyallerin çözümlenmesi de sağlanmış olup elde edilen sinyaller çözümlenen paket içindeki kimlikleri ile etiketlenmiştir. Oluşturulan veri setleri ile derin öğrenme modelleri eğitilerek cihazların ham sinyalleri üzerinden kimlikleri oluşturulmuştur. Elde edilen derin öğrenme modeli daha sonrasında cihazların kimlik kontrolünün yapılması için kullanılarak kritik ortam ve sistemlerin güvenliği sağlanmıştır. Bu çalışmaların sonucunda, Ethernet sinyalleri üzerinden yapılan kimliklendirme ile birebir aynı modele sahip iki cihaz %98,7 başarım oranında kimliklendirilmiştir. WiFi sinyalleri ile yapılan çalışmada aynı özelliklere sahip altı farklı cihaz %99,47 başarım oranında kimliklendirilirken LoRa sinyalleri ile yapılan çalışmada ise dört farklı cihaz %99 başarım oranı ile kimliklendirilmiştir. Bununla beraber LoRa sinyalleri ile yapılan çalışma kapsamında cihazların uzun süreli testleri de yapılarak eğitim için gerekli minimum sinyal analizleri de yapılmış olup eğitim için saatte bir paket atılmasının bile önerilen sistemin başarısı için yeterli olduğu görülmüştür. Elektromanyetik sinyaller ile yapılan kimliklendirme çalışmalarında ise iletilen emisyon çalışmasında 15 cihaz kimliklendirilmiş olup %99,8 başarım oranı sağlanırken havadan elektromanyetik sinyaller üzerinden yapılan çalışmada aynı model iki cihaz %100 oranında başarım ile kimliklendirilmiştir. Yapılan çalışmalarda cihazların stabil çalışmasına yönelik analizleri de yapılarak sistemlerin avantaj ve dezavantajları belirlenmiştir. Böylece kritik ortam ve sistemlerde bulunan her çalışma koşulundaki elektronik cihaz için kimliklendirme yöntemi önerilmiş olup bunların ilgili yerlerde kullanılabilmesi için literatüre katkı sağlanmıştır.
Özet (Çeviri)
The presence of electronic devices in critical environments and systems can complicate security assessments. Conducting security checks after converting signals into digital formats poses a significant risk, as the compromise of digital identities or certificates can lead to the impersonation of devices. This thesis investigates the identification of devices under three distinct categories using raw signal formats: wired signals, wireless signals, and emitted electromagnetic signals. Ethernet signals were used as the representative wired signals, Wi-Fi and LoRa signals as wireless signals, and transmitted as well as airborne electromagnetic emissions as electromagnetic signals. To develop the proposed systems, signals were initially collected from devices defined within the systems. Depending on the protocol used, the collected signals were analyzed and labeled with the identities extracted from the decoded signal packets. The curated datasets were then utilized to train deep learning models, enabling the generation of device identities based on raw signals. These models were subsequently applied to verify device identities, thereby enhancing the security of critical environments and systems. The results demonstrate the effectiveness of the proposed methods. Identification based on Ethernet signals achieved a 98.7% success rate in distinguishing two identical devices of the same model. In the Wi-Fi signal study, six devices with identical specifications were identified with a success rate of 99.47%. Similarly, the LoRa signal study achieved a 99% success rate in identifying four different devices. Furthermore, long-term testing of LoRa signals revealed that the system could maintain high accuracy even with minimal signal data, requiring only one packet per hour for effective training. In the electromagnetic signal study, 15 devices were identified with a 99.8% success rate using transmitted emissions, while airborne electromagnetic emissions enabled the identification of two identical devices of the same model with 100% accuracy. Additionally, stability analyses were conducted to evaluate the reliability of the proposed methods, highlighting their advantages and limitations. This comprehensive study offers a novel identification approach tailored to electronic devices operating under various conditions in critical environments and systems. The findings provide valuable insights and practical contributions to literature, emphasizing the potential applicability of these methods in relevant fields.
Benzer Tezler
- Fog computing architecture for e-textile applications
E-tekstil uygulamaları için sis bilişim mimarisi
KADİR ÖZLEM
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
DOÇ. DR. ÖZGÜR ATALAY
- Wi-Fi sinyalleri kullanılarak kablosuz cihazların derin öğrenme yöntemleri ile kimliklendirilmesine yönelik bir çalışma
A study on wireless device identification using Wi-Fi signals by means of deep learning methods
MUHAMMED SEFA KOÇAKOĞLU
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiMilli Savunma ÜniversitesiAskeri Elektronik Sistemler Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ KARA
- Mısır taneleri kalite parametrelerinin yakın kızılötesi spektroskopi ve bir boyutlu evrişimsel otokodlayıcı ile tespiti
Determination of quality parameters of corn seeds by near-infrared spectroscopy and one dimensional convolutional autoencoder
ÖZCAN ÇATALTAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL TÜTÜNCÜ
- Mikro şebekelerde derin öğrenme destekli enerji yönetimi
Deep learning assisted energy management in microgrids
HALİL ÇİMEN
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURETTİN ÇETİNKAYA
- Parçacık sürü optimizasyonu, hedef öncelikli algoritma ve derin öğrenme ile fotonik yapılarda tersine tasarım
Inverse design of photonic structures with particle swarm optimization, objective-first algorithm and deep learning
İPEK ANIL ATALAY
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HAMZA KURT