A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles

İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi

PDF İndir

Tez No: 972760
Yazar: BURCU SÖNMEZ SARIKAYA
Danışmanlar: PROF. DR. ŞERİF BAHTİYAR
Tez Türü: Doktora
Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
Sayfa Sayısı: Belirtilmemiş.

Özet

İnsansız Hava Araçları (İHA'lar), zorlu koşullarda çalışabilme yetenekleri ve çok yönlülükleri sayesinde birçok sivil ve askeri operasyonda vazgeçilmez hale gelmiştir. Ancak, bu sistemlerin iletişim ağlarına, sensörlere ve yazılımlara olan bağımlılıkları, onları siber saldırılara karşı savunmasız bırakmakta; bu durum güvenlik, emniyet ve görev başarısını ciddi şekilde riske atmaktadır. En önemli tehditler arasında, iletişimi kesintiye uğratan karıştırma (jammer) ve seyir sistemlerini manipüle eden Küresel Konumlama Sistemi (KKS) aldatma (spoofing) saldırıları yer almaktadır. Bu tür saldırılara karşı korunmak, özellikle Saldırı Tespit Sistemleri (STS) aracılığıyla sağlam güvenlik önlemleri gerektirir. Geleneksel STS yaklaşımları, İHA'lar için bazı sınırlamalar taşımaktadır. Bu sistemler çoğu zaman yüksek yanlış alarm oranlarına sahiptir, gerçek zamanlı tespit konusunda yetersiz kalırlar ve gelişen tehditlere uyum sağlamakta zorlanırlar. Ayrıca, İHA'ların sınırlı güç, işlem ve depolama kapasitesi, karmaşık güvenlik algoritmalarının araç üzerinde çalıştırılmasını kısıtlamaktadır. Etkili makine öğrenmesi tabanlı STS'lerin eğitimi için gerekli olan çeşitli saldırı senaryolarını içeren kapsamlı veri kümelerinin eksikliği, önemli bir sorundur. Dengesiz veya eksik veriyle yapılan eğitim, özellikle yeni ve nadir saldırı türlerinin tespitinde düşük doğrulukla sonuçlanmaktadır. Bu tezde, yukarıda belirtilen zorluklara çözüm getiren yenilikçi ve hibrit bir İHA güvenliği Saldırı Tespit Sistemi (STS) çerçevesi önerilmektedir. Bu çerçeve, saldırı simülasyonu için Üretici Yapay Zekâ (ÜYZ) ve uyarlanabilir, gerçek zamanlı savunma için Derin Pekiştirmeli Öğrenme (DPÖ) yöntemlerini bütünleştirerek önemli bir yenilik sunmaktadır. Temel hedef, KKS aldatma ve karıştırma saldırılarına karşı STS dayanıklılığını artırmak, veri eksikliğini gidermek ve değişken tehdit koşullarında sistemin uyum yeteneğini geliştirmektir. Sistem iki temel bileşenden oluşmaktadır. İlk olarak, sentetik saldırı verisi üretim modülü yer almaktadır. Bu modül; Varyasyonel Otokodlayıcı (VO), Gauss Kopula, Koşullu Tablosal Üretici Rekabetçi Ağ (KT-ÜRA), ve Gürültü Giderici Yayılım Olasılık Modeli (GGYOM) gibi gelişmiş üretici modeller kullanarak, gerçek uçuş günlüklerine dayalı gerçekçi ve çeşitli KKS aldatma ve karıştırma saldırı verileri üretmektedir. Bu tezde, bu modeller sistematik biçimde değerlendirilerek, İHA sistemlerine özgü saldırı senaryolarının simülasyonu açısından etkililiği incelenmiştir; bu, önceki çalışmaların çoğunlukla tek model ya da tek senaryo odaklı olmasından farklı olarak önemli bir katkıdır. Üretilen sentetik veriler, gerçek verilerle birlikte iki şekilde kullanılmaktadır. Birincisi, geleneksel makine öğrenmesi tabanlı STS'lerin performansını değerlendirmek amacıyla, özellikle XGBoost algoritması kullanılarak gerçekleştirilmektedir. Farklı gerçek ve sentetik veri kombinasyonlarıyla çoklu eğitim ve çapraz test stratejisi uygulanmış; böylece STS'lerin genelleme yetenekleri çeşitli koşullar altında analiz edilmiştir. İkinci ve daha önemli kullanım ise, zenginleştirilmiş verilerin DPÖ tabanlı uyarlanabilir tespit modülünün eğitim ortamına entegre edilmesidir. Bu modülde, bir Derin-Q Ağı (DQA) ajanı, gerçek zamanlı tehdit hafifletme amacıyla görev yapmaktadır. İHA görev yürütmesi, Markov Karar Süreci (MKS) olarak modellenmiş ve DQA ajanı, hem gerçek hem de sentetik saldırı göstergelerini içeren telemetri durumları üzerinden savunma politikalarını öğrenmiştir. Bu ÜYZ tabanlı veri artırımı ve DPÖ tabanlı adaptif savunmanın entegrasyonu, İHA güvenliğinde önemli bir ilerleme teşkil etmektedir. DPÖ ajanı özel olarak tasarlanmış bir simülasyon ortamında çalışmaktadır. Durum temsili çok boyutludur ve GPS bütünlüğü, XGBoost çıktılarından türetilen karıştırma ve aldatma olasılıkları, hareket dinamikleri ve pil durumu gibi kritik göstergeleri içermektedir. Aksiyon alanı; Yer Kontrol İstasyonu'nu (YKİ) uyarma, Ataletsel Ölçüm Birimi (AÖB) navigasyonuna geçiş, iletişim kısıtlama veya Eve Dön (ED) protokolünün başlatılması gibi eylemleri içermektedir. Ödül fonksiyonu ise doğru saldırı tespitini teşvik ederken, yanlış alarmları cezalandırmakta ve enerji açısından verimli kararları desteklemektedir. Üretilen sentetik verilerin kalitesini değerlendirmek için, istatistiksel benzerlik metrikleri (Kullback–Leibler Sapması, Wasserstein Mesafesi, Kolmogorov-Smirnov İstatistiği) ile STS sınıflandırma başarımı birleştirilerek çok boyutlu bir çerçeve kullanılmıştır. DPÖ modülü için ise saldırı tespit oranı (STO), yanlış alarm oranı (YAO), kaynak verimliliği (pil tüketimi, eylem maliyeti) ve öğrenme istikrarı (ödül yakınsaması, ED aktivitesi, görev tamamlama oranı) gibi kriterler temelinde değerlendirme yapılmıştır. Deneysel sonuçlar, özellikle GGYOM ve KT-ÜRA modellerinin yüksek doğrulukta sentetik saldırı verisi üretebildiğini göstermiştir. Bu modeller, gerçek saldırıların istatistiksel özelliklerine yakın veriler üretmiş ve XGBoost tabanlı STS performansını ciddi ölçüde düşürerek gerçek veriye kıyasla daha zorlu testler sunmuştur. Bu, ÜYZ'nin STS testinde taşıdığı potansiyeli ve sabit yapılı STS'lerin sofistike sentetik saldırılara karşı ne kadar savunmasız olduğunu ortaya koymaktadır. DPÖ tabanlı STS ise etkili öğrenme yeteneği ve başarılı gerçek zamanlı savunma performansı sergilemiştir. DQA ajanı, eğitim süresince yaklaşık \%95'lik bir saldırı tespit oranı elde etmiş, böylece tehditleri öğrenilmiş desenler üzerinden başarıyla tanımlamıştır. Ayrıca gerektiğinde ED gibi güvenlik protokollerini devreye almayı öğrenmiştir. Bununla birlikte, yüksek bir yanlış alarm oranı gözlemlenmiş ve bu durum, savunma stratejisinin fazla agresif olduğunu ve daha fazla ayarlama gerektirdiğini ortaya koymuştur. Yine de, ödül yakınsaması ve artan görev tamamlama oranları, öğrenmenin başarılı olduğunu ve güvenlik ile operasyonel süreklilik arasında denge kurulduğunu göstermektedir. Elde edilen bulgular, üretici modellerin doğruluğu ile STS'leri test etme ve aşma kabiliyetleri arasında doğrudan bir ilişki olduğunu ortaya koymuştur. GGYOM modeli, İHA verilerindeki ince anomalileri yakalayabilmesi sayesinde en etkili model olarak öne çıkmıştır. Ayrıca, çerçevenin pratik uygulanabilirliği de ele alınmıştır: ÜYZ eğitimi yoğun hesaplama gerektirse de bu süreç çevrimdışıdır; dağıtımı yapılan STS (XGBoost veya DPÖ ajanı) ise kaynak kısıtlı İHA'lar için yeterince hafif yapıda tasarlanmıştır. Bununla birlikte, bu çalışmanın bazı sınırlamaları mevcuttur. Sentetik veriler tüm gerçek dünya karmaşıklıklarını yansıtmayabilir; değerlendirmeler tek bir veri kümesine dayanmaktadır ve üretici modeller hesaplama açısından yoğun ve yorumlanabilirlik açısından sınırlı olabilir. Ayrıca, önerilen çerçeve şu an için sabit saldırgan varsayımına dayanmaktadır; oysa gerçek dünyada saldırganlar sürekli olarak stratejilerini değiştirir. Son olarak, saldırı üretim araçlarının çift kullanımlı (çift yönlü amaç taşıyan) doğasıyla ilgili etik konular da tartışılmış; sentetik verilerin gizliliği koruyan araştırmalar için taşıdığı faydalar vurgulanırken, sorumlu geliştirme ve uygulamanın önemi vurgulanmıştır. Sonuç olarak, bu tez, ÜYZ modellerinin yüksek doğrulukta sentetik İHA saldırı verisi üretebileceğini ve mevcut STS sistemlerini zorlayabileceğini başarıyla göstermiştir. ÜYZ ve DPÖ bileşenlerinin entegrasyonuyla oluşturulan hibrit STS çerçevesi, İHA'lar için daha dayanıklı, uyarlanabilir ve akıllı güvenlik sistemlerinin geliştirilmesine katkı sağlamaktadır. Elde edilen sonuçlar, bu yaklaşımın veri eksikliği sorununu çözme ve gelişen siber-fiziksel tehditlere karşı tespit yeteneğini artırma potansiyelini doğrulamaktadır. Gelecek çalışmalar, bu çerçevenin kapalı döngü geri besleme mekanizmalarına sahip uyarlanabilir STS mimarilerine entegre edilmesine odaklanacaktır. Böylece üretici modeller, tespit sonuçlarına göre dinamik olarak iyileştirilebilecektir. Ayrıca, daha hafif dağıtım için model sıkıştırma teknikleri, model yorumlanabilirliğinin artırılması ve adaptif saldırganlara karşı sürekli öğrenme mekanizmalarının entegrasyonu da hedeflenmektedir. Gerçek İHA'lar üzerinde yapılacak saha testleri ile sistemin pratik operasyonel koşullar altındaki etkinliği de değerlendirilecektir. Bu araştırma, ÜYZ ve DPÖ'nün gücünden faydalanarak daha güvenli ve dayanıklı İHA operasyonlarına kapı aralamaktadır.

Özet (Çeviri)

Unmanned Aerial Vehicles (UAVs) have become integral to numerous civilian and military operations due to their versatility and ability to operate in challenging environments. However, their reliance on communication networks, sensors, and software makes them susceptible to cyber-attacks, which can compromise security, safety, and mission objectives. Among the most significant threats are jamming and Global Positioning System (GPS) spoofing attacks, which can disrupt communications and manipulate navigation, potentially leading to system failure or hijacking. Protecting these systems requires robust security measures, particularly Intrusion Detection Systems (IDS). Traditional IDS approaches for UAVs face several limitations. Many produce high false alarm rates, struggle with real-time detection, and cannot adapt quickly to evolving threats. Furthermore, UAVs have inherent constraints in power, computation, and storage, limiting the complexity of onboard security algorithms. A critical challenge is the scarcity of comprehensive datasets containing diverse attack scenarios, which is essential for training effective machine learning-based IDS. Training on imbalanced or incomplete data often leads to poor detection accuracy, especially for novel or rare attacks. This thesis addresses these challenges by proposing a novel, hybrid Intrusion Detection System (IDS) framework for UAV security. This framework innovatively integrates Generative Artificial Intelligence (GenAI) for attack simulation and Deep Reinforcement Learning (DRL) for adaptive, real-time defense. The primary goal is to enhance IDS robustness against GPS spoofing and jamming attacks by tackling data scarcity and improving adaptability under dynamic threat conditions. The first core component is a synthetic attack data generation module. This module utilizes a suite of advanced generative models: Variational Autoencoders (VAE), Gaussian Copula, Conditional Tabular Generative Adversarial Network (CTGAN), and Denoising Diffusion Probabilistic Model (DDPM). These models are employed to generate realistic and diverse GPS spoofing and jamming attack data based on real flight logs. This research systematically evaluates these models to determine their effectiveness in simulating attacks specific to UAV systems, a novel contribution compared to prior work focusing on single models or scenarios. The generated synthetic data, alongside real data, is used in two ways. Firstly, it facilitates a comprehensive evaluation of traditional machine learning-based IDS, specifically using XGBoost, to understand their performance against both known and GenAI-generated attacks. A multi-train cross-testing strategy is employed to assess the generalization capabilities of IDS trained on different combinations of real and synthetic data, revealing how synthetic data impacts performance under various conditions. Secondly, and crucially, the augmented data enriches the training environment for the DRL-based adaptive detection module. This module features a Deep Q-Network (DQN) agent designed for real-time threat mitigation. By modeling UAV mission execution as a Markov Decision Process (MDP), the DQN agent learns optimal defense policies through interaction with telemetry states, which include both real and synthetic attack indicators. This integration of GenAI-based data augmentation and DRL-based adaptive defense represents a significant advancement in UAV security. The DRL agent operates within a custom simulation environment. The state representation is multi-dimensional, capturing critical indicators such as GPS integrity, jamming and spoofing probabilities (derived from XGBoost outputs), motion dynamics, and battery level. The action space includes responses like alerting the Ground Control Station (GCS), switching to Inertial Measurement Unit (IMU) navigation, throttling communications, or initiating a Return-to-Home (RTH) procedure. The reward function is meticulously designed to encourage accurate attack identification, penalize false alarms, and promote energy-efficient decisions. To evaluate the quality of the generated synthetic data, we employ a multi-dimensional framework combining statistical similarity metrics (Kullback–Leibler Divergence, Wasserstein Distance, Kolmogorov-Smirnov Statistic) with IDS classification performance. This provides a comprehensive assessment of both the fidelity and the practical impact of the synthetic data. For the DRL module, evaluation focuses on Attack Detection Rate (ADR), False Alarm Rate (FAR), resource efficiency (battery consumption, action costs), and learning stability (reward convergence, RTH activity, mission completion rate). Our experimental results demonstrate the effectiveness of GenAI models, particularly DDPM and CTGAN, in generating high-fidelity synthetic attack data. These models produced data that closely matched the statistical properties of real attacks and proved most effective in challenging the XGBoost-based IDS, significantly degrading its performance compared to training on real data alone. This highlights both the potential of GenAI for IDS testing and the vulnerability of static IDSs to sophisticated, synthesized attacks. The DRL-based IDS exhibited strong learning capabilities and effective real-time defense. The DQN agent achieved a high Attack Detection Rate (ADR) of approximately 95\% during training, demonstrating its proficiency in identifying threats using learned patterns. It also learned to invoke safety protocols like RTH when necessary. However, the results also indicated a high False Alarm Rate (FAR), suggesting a tendency towards an aggressive defense policy that requires further tuning. Despite this, the agent showed good reward convergence and improved mission completion rates, indicating successful learning and a balance between security and operational continuity. The discussion of our findings emphasizes that the fidelity of generative models is directly correlated with their ability to effectively test and potentially evade IDS. DDPM emerged as the most potent model due to its ability to capture subtle anomalies in UAV data. We also address the practical deployability of the framework, noting that while GenAI training is computationally intensive, it is an offline process, and the deployed IDS (XGBoost or the DRL agent's underlying network) can be lightweight enough for resource-constrained UAVs. However, the study acknowledges several limitations. The synthetic data may not capture all real-world complexities, the evaluation relies on a single dataset, and the generative models can be computationally demanding and lack interpretability. Furthermore, the framework currently assumes static adversaries, whereas real-world attackers adapt. Ethical considerations surrounding the dual-use nature of attack generation tools are also discussed, highlighting the need for responsible development and deployment while underscoring the benefits of using synthetic data for privacy-preserving research. In conclusion, this thesis successfully demonstrates that GenAI models can create high-fidelity synthetic UAV attack data capable of challenging existing IDS. It introduces a hybrid framework combining GenAI and DRL to create a more robust, adaptive, and intelligent IDS for UAVs. The results confirm the potential of this approach to address data scarcity and improve detection capabilities against evolving cyber-physical threats. Future work will focus on integrating the framework into adaptive IDS architectures with closed-loop feedback, allowing generative models to be refined based on detection outcomes. We also aim to explore model compression techniques for lighter deployment, enhance model interpretability, and incorporate mechanisms for continuous learning against adapting adversaries. Validating the system through field deployments on live UAVs is a key priority to assess its effectiveness under real-world operational constraints. This research paves the way for more secure and resilient UAV operations by leveraging the power of GenAI and DRL.

Benzer Tezler

Tez No
729337
Kablosuz yerel alan ağlarında saldırıların tespit edilmesi ve analizi
Intrusion detection and analysis in wireless local area networks
MERVE ÖZKAN OKAY
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Ankara Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REFİK SAMET
Tez No
605321
Nesnelerin interneti ekosisteminde yapay zeka tabanlı saldırı tespit sistemi geliştirilmesi
Developing an artificial intelligence based intrusion detection system on internet of things ecosystem
UMUR KURİŞ
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol İstanbul Üniversitesi-Cerrahpaşa
Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
Tez No
847060
Distributed denial of service attack detection with metaheuristic method in smart grid communication technologies
Akıllı şebeke iletişim teknolojilerinde metasezgisel yöntemle dağıtık hizmet reddi saldırısı tespiti
AHMED ABDULMUNEM MHMOOD
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliği Gazi Üniversitesi
Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZGÜR ERGÜL
Tez No
630600
Derin öğrenme tabanlı saldırı tespit sistemi
Intrusion detection system using deep learning
GÖZDE KARATAŞ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Marmara Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNDER DEMİR
DOÇ. DR. ÖZGÜR KORAY ŞAHİNGÖZ
Tez No
797776
Yazılım tabanlı araçsal ağlara yönelik gerçekleştirilen DDoS saldırılarının derin öğrenme tabanlı gerçek zamanlı tespiti
Deep learning based real-time detection of DDoS attacks on software-defined based vehicular networks
ONUR POLAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Gazi Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT

Geri Dön