Nesnelerin interneti saldırılarının tespitinde makine öğrenmesi algoritmalarının performanslarının karşılaştırılması
Comparision of performances of machine learning algorithms in detection of internet of things attacks
- Tez No: 970083
- Danışmanlar: DOÇ. DR. ALİ ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kto Karatay Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, IoT cihazlarındaki çeşitli saldırı türleri için farklı makine öğrenmesi algoritmalarının sınıflandırma performansları karşılaştırılmıştır. Bu amaçla kullanılan algoritmalar AdaBoost, CatBoost, XGBoost, Karar Ağaçları, K-En Yakın Komşular, Rastgele Orman, Hafif GBM, Lojistik Regresyon ve Gauss Naïve Bayes'tir. CICIoT2023 veri seti kullanılarak 33 farklı saldırı ve 7 farklı saldırı grubu için saldırı sınıflandırması yapılmıştır. Deneysel sonuçlara göre, makine öğrenmesi algoritmaları arasında Rastgele Orman (RF), 33 saldırı türünü sınıflandırmada %94,90 doğruluk, %94,90 kesinlik, %94,89 hatırlatma ve %94,84 F1 puanı; yedi saldırı grubunu sınıflandırmada %94,33 doğruluk, %94,35 kesinlik, %94,33 hatırlatma ve %94,31 F1 puanı ve ikili sınıflandırmada %96,81 doğruluk, %97,15 kesinlik, %96,81 hatırlatma ve %96,79 F1 puanı elde etti. XGBoost (XGB), 33 saldırı türünü sınıflandırmada %93,82 doğruluk, %93,99 kesinlik, %93,82 hatırlatma ve %93,82 F1 puanı, yedi saldırı grubunu sınıflandırmada %94,34 doğruluk, %94,34 hatırlatma, %94,35 kesinlik ve %94,32 F1 puanı ve ikili sınıflandırmada %96,98 doğruluk, %96,98 hatırlatma, %97,28 kesinlik ve %96,96 F1 puanı elde etti. RF, 33 saldırı türünü sınıflandırmada en iyi performansı gösterdi. XGBoost, ikili ve yedi saldırı grubunu sınıflandırmada RF algoritmasına yakındır. Sonuçlar, tüm algoritmalara 5 katlı çapraz doğrulama yöntemi uygulanarak elde edildi.
Özet (Çeviri)
In this study, the classification performance of different machine learning algorithms were compared for various types of attacks in IoT devices. The algorithms used for this purpose are AdaBoost, CatBoost, XGBoost, Decision Trees, K-Nearest Neighbors, Random Forest, Light GBM, Logistic Regression, and Gaussian Naïve Bayes. By using the CICIoT2023 data set, attack classification was carried out for 33 different attacks and 7 different attack groups. According to the experimental results, among the machine learning algorithms, Random Forest (RF) achieved 94,90% accuracy, 94,90% precision, 94,89% recall, and 94,84% F1-score in classifying 33 attack types, 94,33% accuracy, 94,35% precision, 94,33% recall, and 94,31% F1-score in classifying seven attack groups, and 96,81% accuracy, 97,15% precision, 96,81% recall, and 96,79% F1-score in binary classification. XGBoost (XGB) has achieved 93,82% accuracy, 93,99% precision, 93,82% recall, and 93,82% F1-score in classifying 33 attack types, 94,34% accuracy, 94,34% recall, 94,35% precision, and 94,32% F1-score in classifying seven attack groups, and 96,98% accuracy, 96,98% recall, 97,28% precision, and 96,96% F1-score in binary classification. RF performed best in classifying 33 attack types. XGBoost is close to the RF algorithm in classifying binary and seven attack groups. The results were obtained by applying 5-fold cross-validation method to all algorithms.
Benzer Tezler
- Ağ anomalisi tespitinde makine öğrenmesi algoritmalarının kullanımı ve karşılaştırmalı analizi
Comparative analysis of machine learning algorithms in network anomaly detection
MUJIBULLAH SHAMS
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT İSKEFİYELİ
- RPL tabanlı IoT cihazları zafiyetinin tespiti için makine öğrenmesi algoritmalarının karşılaştırılması
Comparison of machine learning algorithms to detect RPL-based IoT devices vulnerability
MURAT UĞUR KİRAZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ATINÇ YILMAZ
- Dağıtık hizmet aksatma ((DDoS) saldırılarının yapay zeka yöntemleri kullanılarak tespiti
Detection of distributed denial of service ((DDoS) attacks using artificial intelligence methods
İLKNUR KAYACAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET BABALIK
- An online network intrusion detection system for DDoS attacks with IoT botnet
IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi
ERİM AYDIN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- 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