Leveraging machine learning for ıntrusion detection in the ınternet of medical things(IoMT): challenges and solutions
IoMT'de izinsiz giriş tespiti için makine öğreniminden yararlanma: zorluklar ve çözümler
- Tez No: 974048
- Danışmanlar: Assoc. Prof. DERYA YILTAŞ KAPLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tıbbi Nesnelerin İnternetinin (IoMT) yaygın olarak kullanılması, hastaların gerçek zamanlı izlenmesini ve veriye dayalı teşhis kararlarını kolaylaştırarak sağlık hizmetlerini dönüştürmüştür. Bununla birlikte, ağın entegre yapısı fidye yazılımı, dağıtılmış hizmet reddi (DDoS) ve yetkisiz müdahale gibi güvenlik tehditlerine karşı çok savunmasızdır ve hasta güvenliğini ve sistem güvenilirliğini tehlikeye atmaktadır. Bu tezde, IoMT ortamlarında güvenliği artırmayı amaçlayan, makine öğrenmesi (ML) tabanlı akıllı bir saldırı tespit sistemi (IDS) modeli önerilmektedir. CICIoMT2024 ve WUSTL-EHMS-2020 veri kümelerine dayanan çalışma, çeşitli saldırı türlerini yüksek doğruluk ve verimlilikle tespit etmek için farklı makine öğrenimi yaklaşımlarını( KNN, random forest, decision tree, XGBoost, SVM, and ensembled methods (voting and stacking)) karşılaştırmaktadır. Manuel hiperparametre optimizasyonu ve SHAP ve anahtarlanmış özellik önemi (PFI) kullanan özellik mühendisliği, yeterli model performansını ve açıklanabilirliği garanti eder. Bulgular, XGBoost ve Random Forest dahil olmak üzere topluluk ağaç modellerinin TCP SYN taşkınları, MQTT tabanlı DDoS saldırıları ve ARP sahtekarlığı gibi çoklu saldırı sınıfları altında üstün tespit doğruluğu ve esnekliği elde etmedeki verimliliğini doğrulamaktadır. Sınıflandırma performansına özellik katkısı, erişimler arası süre (IAT), sayı, ağırlık ve protokol türü gibi istatistiksel ve zamansal yönleri sınıflandırma göstergelerine baskın katkıda bulunanlar olarak ortaya çıkarmıştır. Önerilen model, Tıbbi Nesnelerin İnterneti (IoMT) ağlarında tehdit tespitini güçlendirmekle kalmaz, aynı zamanda kaynak açısından verimli, şeffaf ve operasyonel olarak hazırdır ve sağlık hizmetleri altyapısının benzersiz sınırlamalarına göre uyarlanmış gerçek zamanlı ve açıklanabilir tehdit tespiti için zemin hazırlar. Önerilen modelin sağlam tespit performansı elde edilmiş ve performansı doğruluk, F1 puanı, hassasiyet, geri çağırma ve ROC-AUC gibi uygun ölçütler kullanılarak doğrulanmış ve daha iyi performansa sahip olduğu kanıtlanmıştır. Çalışma, yorumlanabilirlik çözümlerini bir araya getirerek, model kararlarının özlü açıklamalarını sunmakta ve sağlık hizmetlerinde konuşlandırılabilir ve güvenilir güvenlik çözümlerine yönelik kritik talebe yanıt vermektedir. Bu araştırma, mevcut ve gelecekteki siber tehditlere karşı ölçeklenebilir, uyarlanabilir savunma sunarak ve hesaplama verimliliğini ve çalışma güvenilirliğini koruyarak Nesnelerin İnterneti için esnek tıbbi cihazların geliştirilmesine yardımcı olmaktadır.
Özet (Çeviri)
The Internet of Medical Things (IoMT) has immensely revolutionized the field of healthcare by allowing real-time monitoring of patients and data-driven diagnostics. However, its highly integrated network is susceptible to cybersecurity attacks like ransomware, distributed denial of service (DDoS), and interception attacks which pose a threat to patient safety and system reliability. This thesis proposes an intelligent intrusion detection system (IDS) based on machine learning (ML) to enhance security in IoMT environments. With CICIoMT2024 and WUSTL-EHMS-2020 datasets, the study compares different ML algorithms, such as KNN, Random Forest, Decision Tree, XGBoost, SVM, and ensemble techniques (voting and stacking) to detect multiple types of attacks with high accuracy. Manual hyperparameter tuning and feature engineering using SHAP and permutation feature importance (PFI) improve model performance and interpretability. Results show that ensemble tree models, in particular XGBoost and Random Forest, have better detection accuracy and resilience to various threats including TCP SYN floods, MQTT-based DDoS, and ARP spoofing. Important features like inter-access time, count, weight, and protocol type have a substantial impact on outcomes of classification. The proposed IDS not only is accurate, resilient but also resource-efficient, transparent, and deployable in healthcare systems. Evaluation metrics—accuracy, F1 score, precision, recall, and ROC-AUC—confirm its efficiency. With the assist of explainability tools, this work responds to the pressing requirement for trustworthy, interpretable security solutions, which will advance the creation of adaptive, secure, and computationally efficient IoMT devices that can withstand emerging cyber threats.
Benzer Tezler
- Machine learning approaches for internet of things based vehicle type classification and network anomaly detection
Nesnelerin interneti tabanlı araç tipi sınıflandırma ve ağ anomalisi tespiti için makine öğrenmesi yaklaşımları
BURAK KOLUKISA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEHBİ ÇAĞRI GÜNGÖR
- 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
GÖKHAN AKAR
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiMarmara ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ONAT
DOÇ. DR. ÜNAL ÇAVUŞOĞLU
- Yapay zeka ile meme kanseri teşhisi
Breast cancer diagnosis with artificial intelligence
İLKER ÇAKAR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Improving the efficiency of intrusion detection systems through advanced machine learning techniques
Gelişmiş makine öğrenimi teknikleriyle saldırı tespit sistemlerinin verimliliğinin artırılması
ZAID OMAR ABDULAZEEZ ABDULAZEEZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET NACİ ÜNAL
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR