Nesnelerin interneti temelli veri kümesinde sentetik azınlık aşırı örnekleme tekniği ile güçlendirilmiş makine öğrenimi yaklaşımlarının performans analizi
Performance analysis of machine learning approaches enhanced with synthetic minority over-sampling technique on an internet of things-based dataset
- Tez No: 976275
- Danışmanlar: PROF. DR. KEREM KÜÇÜK
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Engineering Sciences, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin İnterneti (IoT) cihazlarından toplanan veriler genellikle dengesiz sınıf dağılımı sergilemekte ve bu durum, makine öğrenimi tabanlı saldırı tespit sistemlerinin performansını önemli ölçüde düşürmektedir. Bu çalışmada, sınıf dengesizliği problemini ele almak amacıyla Sentetik Azınlık Örnekleme Tekniği (SMOTE) yöntemi kullanılmış ve dört farklı makine öğrenimi algoritmasının (K-En Yakın Komşu, Destek Vektör Makineleri, Lojistik Regresyon ve Çok Katmanlı Algılayıcı) performansı kapsamlı bir şekilde değerlendirilmiştir. Deneylerde kullanılan ToN_IoT veri seti, yedi farklı IoT cihazından alınan verileri içermekte olup, veriler eğitim, doğrulama ve test olmak üzere üç ayrı küme halinde bölünmüştür. SMOTE uygulandıktan sonra, özellikle Hareket Işığı, GPS Takip ve Garaj Kapısı gibi azınlık sınıfların baskın olduğu cihazlarda doğruluk ve F1-skor değerlerinde önemli iyileşmeler gözlemlenmiştir. Örneğin, Çok Katmanlı Algılayıcı (MLP) algoritması, Garaj Kapısı cihazında doğruluğu %55'ten %97'ye yükseltirken, Lojistik Regresyon (LR) modeli test veri kümesinde %100 doğruluk oranına ulaşmıştır. Bu sonuçlar, SMOTE yönteminin sınıf dengesizliği sorununu etkili bir şekilde azalttığını ve makine öğrenimi modellerinin sınıflandırma performansını belirgin şekilde artırdığını göstermektedir. Çalışmanın bulguları, özellikle IoT tabanlı güvenlik sistemlerinde, veri setindeki azınlık sınıfların tespit yeteneğinin geliştirilmesi açısından önemli katkılar sunmaktadır. Bu araştırma, dengesiz veri setleri üzerinde SMOTE gibi yeniden örnekleme tekniklerinin kullanımının, saldırı tespit sistemlerinin başarısını artırmada etkili bir yöntem olduğunu kanıtlamaktadır. Gelecek çalışmalarda, farklı örnekleme stratejilerinin kombinasyonlarının veya hibrit modellerin performansa etkisi incelenebilir.
Özet (Çeviri)
Data collected from Internet of Things (IoT) devices frequently exhibits significant class imbalance, substantially degrading the performance of machine learning-based intrusion detection systems. This study investigates the effectiveness of Synthetic Minority Over-sampling Technique (SMOTE) in mitigating class imbalance and evaluates the performance of four machine learning algorithms: K-Nearest Neighbors (KNN), Support Vector Machines (SVM), Logistic Regression (LR), and Multilayer Perceptron (MLP). The experimental framework employs the ToN_IoT dataset, comprising network traffic data from seven distinct IoT devices. The dataset is partitioned into training, validation, and test sets to ensure rigorous evaluation. Implementation of SMOTE yields notable improvements in both accuracy and F1-scores, particularly for minority-class devices including Motion Light, GPS Tracker, and Garage Door. The MLP algorithm demonstrates particularly strong performance, improving detection accuracy for Garage Door devices from 55% to 97%, while the Logistic Regression model achieves perfect classification (100% accuracy) on the test set. These results demonstrate SMOTE's efficacy in addressing class imbalance and significantly enhancing classification performance in IoT security applications. The findings highlight the critical importance of data balancing techniques in security contexts where accurate detection of minority-class attack patterns is essential. This research empirically validates SMOTE as an effective preprocessing technique for improving intrusion detection system performance on imbalanced IoT datasets. Future work could investigate hybrid sampling approaches or ensemble methods to further optimize detection capabilities for rare attack types. The study contributes to the growing body of research on machine learning applications in IoT security, particularly in addressing the fundamental challenge of class imbalance.
Benzer Tezler
- Using machine learning techniques to enhance teaching and performance prediction of students with autism spectrum disorders
Yapay öğrenme yöntemleri ile otizm spektrum bozukluğu olan öğrencilerin öğretiminin ve öğretim performansı tahmininin iyileştirilmesi
AKRAM M.M. RADWAN
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE
- New lightweight DoS attack mitigation techniques for RPL based IoT networks
RPL temelli IoT ağları için DoS saldırılarının etkisini azaltacak yeni teknikler
AHMET ARIŞ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
- Group authentication and key establishment scheme
Grup kimlik doğrulama ve anahtar oluşturma şeması
SUEDA RUVEYDA GÜZEY
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK
- Lav lambası temelli entropi kaynağı kullanılarak kriptolojik ikamekutusu tasarımı
Cryptographic substitution box design using entropy source based onlava lamp
ÖMER KAYA
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ÖZKAYNAK