A novel artificial intelligence approach to strengthen intrusion detection system for internet of medical things
Medikal nesnelerin interneti için ağa sızmayı algılama sistemini güçlendirmeye yönelik yeni bir yapay zeka yaklaşımı
- Tez No: 944682
- Danışmanlar: PROF. DR. MUSTAFA ONAT, DOÇ. DR. ÜNAL ÇAVUŞOĞLU
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: 111
Özet
Medikal Nesnelerin İnterneti (IoMT), tıbbi cihazlar, bulut platformları ve sağlık hizmeti sağlayıcıları arasında kesintisiz bağlantı sağlayarak sağlık alanında yeni bir yenilik çağı başlatmıştır. Bu bağlantılı ekosistem, gerçek zamanlı hasta takibi, uzaktan teşhis ve veri odaklı tedavi planlarını destekleyerek sağlık hizmetlerinin sunum şeklini dönüştürmektedir. Ancak, IoMT'nin hızla benimsenmesi, bu cihazların genellikle kaynak açısından kısıtlı ortamlarda çalışması ve sınırlı güvenlik önlemlerine sahip olması nedeniyle ciddi güvenlik açıklarını da beraberinde getirmektedir. Veri ihlalleri, cihaz ele geçirme ve hizmet reddi saldırıları gibi siber tehditler; hasta güvenliği, veri gizliliği ve tıbbi sistemlerin bütünlüğü açısından büyük riskler oluşturmaktadır. Geleneksel saldırı tespit sistemleri, statik kurallar veya yüzeysel makine öğrenimi modellerine dayandığından, giderek daha karmaşık hale gelen bu tehditlere ayak uydurmakta zorlanmaktadır. Bu tez, Medikal Nesnelerin İnterneti (IoMT) cihazlarına yönelik saldırıları tespit etmek için geliştirilmiş bir LSTM (Uzun Kısa Süreli Bellek) derin öğrenme çerçevesini sunmaktadır. Önerilen yöntem, IoMT güvenliğini artırmak amacıyla çift LSTM ve iki Dense katmandan oluşan yenilikçi bir yapıyı kullanmaktadır. L2D2 olarak adlandırılan bu model, gelişmiş derin öğrenme tekniklerini kullanarak IoMT ortamlarını korumayı hedeflemektedir. L2D2'nin temelinde, ağ trafiğindeki karmaşık zamansal desenleri yakalayabilen ve aynı zamanda hesaplama verimliliğini koruyan çift katmanlı LSTM mimarisi bulunmaktadır. Model, gerçek dünyadaki IoMT trafiğini içeren ve 19 farklı saldırı sınıfını kapsayan CICIoMT2024 veri kümesi üzerinde test edilmiştir. Çok sınıflı saldırı tespitinde \%98 doğruluk oranı elde edilerek üstün performans gösterdiği kanıtlanmıştır. Önceki çalışmaların aksine, yalnızca ikili sınıflandırma veya sınırlı saldırı kategorilerine odaklanmak yerine, L2D2; MQTT istismarı, sahtecilik (spoofing) ve dağıtılmış hizmet reddi (DDoS) saldırıları gibi geniş bir tehdit yelpazesini ele almaktadır. Optimizasyon sürecinde AdamW optimizasyon algoritması ve stratejik hiperparametre ayarlamaları kullanılarak, giyilebilir sağlık cihazlarından hastane düzeyindeki ekipmanlara kadar değişen farklı IoMT ortamlarında sağlam bir genelleme sağlanmıştır. Teknik başarılarının ötesinde, bu çalışma sağlık alanında yapay zeka destekli güvenliğin dönüştürücü potansiyeline vurgu yapmaktadır. L2D2 ölçeklenebilir, uyarlanabilir ve yüksek doğruluklu bir saldırı tespit çerçevesi sunarak, hassas tıbbi verilerin korunması ve kritik IoMT sistemlerinin kesintisiz çalışmasını sağlamak için yeni bir standarda öncü olabilme işaretini vermektedir. Bu çalışmanın bulguları, yalnızca siber güvenlik alanındaki mevcut literatürü ilerletmekle kalmayıp, aynı zamanda yapay zeka ve sağlık güvenliği arasındaki hayati kesişimi güçlendirerek gelecekteki akıllı tehdit önleme yeniliklerine de kapı aralamaktadır.
Özet (Çeviri)
The Internet of Medical Things (IoMT) has ushered in a new era of healthcare innovation, enabling seamless connectivity between medical devices, cloud platforms, and healthcare providers. This interconnected ecosystem supports real-time patient monitoring, remote diagnostics, and data-driven treatment plans, revolutionizing how care is delivered. However, the rapid adoption of IoMT also exposes critical vulnerabilities, as these devices often operate in resource-constrained environments with limited security protections. Cyber threats such as data breaches, device hijacking, and denial-of-service attacks pose severe risks to patient safety, data privacy, and the integrity of medical systems. Traditional intrusion detection systems, reliant on static rule sets or shallow machine learning models, struggle to keep pace with the evolving sophistication of these threats. This thesis presents, an improved version of the LSTM deep learning framework which is utilized to suggest a unique method for identifying different types of intrusion threats directed to medical Internet of Things (IoMT) devices. By using two LSTM and two Dense layers consecutively, results gained are so encourageous as demonstrated by experiments and compared with up-to-now studies. The model has been named as L2D2, a novel artificial intelligence approach designed to fortify IoMT security through advanced deep learning. At its core, L2D2 employs a dual-layer Long Short-Term Memory (LSTM) architecture followed by two dense layers, enabling it to capture intricate temporal patterns in network traffic while maintaining computational efficiency. The model utilized and validated on the CICIoMT2024 dataset—a comprehensive benchmark featuring real-world IoMT traffic and 19 distinct attack classes—the model demonstrates exceptional performance, achieving 98\% accuracy in multi-class intrusion detection. Unlike prior works that focus on binary classification or limited attack categories, L2D2 addresses a broad spectrum of threats, including MQTT exploitation, spoofing, and distributed denial-of-service (DDoS) attacks and their subclasses. Its optimized design, leveraging the AdamW optimizer and strategic hyperparameter tuning, ensures robust generalization across diverse IoMT environments, from wearable health monitors to hospital-grade equipment. Beyond its technical achievements, this research underscores the transformative potential of AI-driven security in healthcare. By providing a scalable, adaptive, and highly accurate intrusion detection framework, L2D2 can pioneer new standard for safeguarding sensitive medical data and ensuring the uninterrupted operation of critical IoMT systems. The findings of this study not only advance the field of cybersecurity but also pave the way for future innovations in intelligent threat mitigation, reinforcing the vital intersection of artificial intelligence and healthcare resilience.
Benzer Tezler
- Comparitive analysis of CNN algorithms for mushroom classification with proposed lightweight model
CNN algoritmalarının mantar sınıflandırmada önerilen hafif CNN modeli ile karşılaştırmalı analizi
AHMET NAMLI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DİDEM ÖLÇER
- Veri bilimi ve mühendislik optimizasyon problemlerinin çözümü için yeni bir yaklaşım: Kaotik yapay alg algoritması
A novel approach to solution of data science and engineering optimization problems: Chaotic artificial algae algorithm
BAHAEDDİN TÜRKOĞLU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERSİN KAYA
DR. ÖĞR. ÜYESİ SAİT ALİ UYMAZ
- Forecasting of produced output electricity in photovoltaic power plants
Foto-voltaik güç santrallarında elektrik üretim tahmini
TARANEH SAADATI
Doktora
İngilizce
2025
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DOÇ. DR. BURAK BARUTÇU
- A novel artificial intelligence based energy management system for microgrids
Mikro şebekeler için yapay zeka temelli yeni bir enerji yönetim sistemi
NECATİ AKSOY
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN