Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces
Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices
- Tez No: 999073
- Danışmanlar: DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Internet of Medical Things (IoMT), Intrusion Detection System (IDS), Cyber attacks, Machine Learning (ML), Deep Learning (DL), Tıbbi Nesnelerin İnterneti (IoMT), Saldırı Tespit Sistemi (IDS), Siber saldırılar, Makine Öğrenimi (ML), Derin Öğrenme (DL)
- Yıl: 2026
- Dil: İngilizce
- Üniversite: İstanbul Aydın Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
The emergence and rapid proliferation of the Internet of Medical Things provides real-time monitoring, smart diagnostics, and improved patient care by analytical decisions based on connected medical devices. It is worth pointing out however that IoMT systems are susceptible to several complex cyber attacks. It is this susceptibility that means IoMT systems are targets as they are often heterogeneous, have limited device resources and their data is often uniquely sensitive. There are security threats such as Distributed Denial of Service (DDoS), spoofing, reconnaissance, and data injection attacks which are critical to patient privacy and reliability of health services. Accordingly, a promising area of research is the development of an effective, intelligent and user-friendly Intrusion Detection System (IDS) within IoMT networks.The IDS being developed is a model of novel hybrid IDS employing prediction of machine learning and deep learning. An aim of the IDS is to be effective and accurate, interpretable, able to generalize to multi-class datasets, and multi-class datasets with imbalance datasets. The project will also use both traditional machine learning methods such as Random Forest and XGBoost from the scientific community and the most modern deep learning methods TabNet and CNN-BiLSTM.The framework consists of a clear but flexible pipeline that includes large-scale data cleaning, categorical encoding, scaling to handle outliers, feature transformation, hyperparameter tuning, and performance evaluation using various metrics. The dataset comes from processed IoMT traffic logs that include noisy and imbalanced samples. It was split into training and testing subsets using stratified sampling to keep the class distribution.In the machine learning phase, Random Forest achieved a testing accuracy of 97.2%, while XGBoost reached 98.8%. These models performed well in distinguishing between five types of network traffic: benign, DoS, DDoS, spoofing, and reconnaissance. After identifying the limits of traditional models in handling complex temporal and feature interactions, the deep learning phase proposed a hybrid structure. TabNet extracted high-level, easy-to-understand features from the data, which were then processed by a CNN-BiLSTM model that learned the spatial and sequential relationships. The combined model reached 100% training accuracy and 99.0% testing accuracy, surpassing all individual models. Additionally, hyperparameter tuning was conducted using the Optuna framework to optimize performance without overfitting.To improve the system's interpretability and reliability, the study included two explainable AI techniques: SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations). These techniques facilitated global feature importance analysis and specific interpretation of predictions, which are vital in high-stakes areas like healthcare. Transparency and explainability are essential in decision-making. A comparison with recent literature shows that this project not only matches but often exceeds current state-of-the-art methods in accuracy, scalability, and interpretability. For instance, existing ensemble and deep learning models often plateau at 95–98% accuracy and face challenges with multi-class classification. The new hybrid model maintains high accuracy even with unequal distributions of attack classes while providing explainable results, which is often a challenge for black-box deep learning models.In summary, this paper presents a unified, scalable, and interpretable IDS for IoMT systems that addresses the urgent needs of connected healthcare today. By combining the predictive strength of deep learning, the solid foundations of machine learning, and the clarity of explainable AI methods, the model delivers excellent detection accuracy along with the trust and reliability crucial for the adoption of real-world healthcare infrastructures. This work sets the stage for future advancements in intelligent IoMT security systems and offers opportunities for real-time, interpretable, and adaptable intrusion detection on smart hospitals and telemedicine platforms.
Özet (Çeviri)
Tıbbi Nesnelerin İnterneti'nin ortaya çıkışı ve hızlı yayılması, bağlı tıbbi cihazlara dayalı analitik kararlar sayesinde gerçek zamanlı izleme, akıllı teşhis ve iyileştirilmiş hasta bakımı sağlar. Ancak, IoMT sistemlerinin çeşitli karmaşık siber saldırılara karşı savunmasız olduğunu belirtmek gerekir. IoMT sistemleri genellikle heterojen oldukları, sınırlı cihaz kaynaklarına sahip oldukları ve verilerinin genellikle benzersiz bir şekilde hassas olduğu için hedef haline gelirler. Dağıtık Hizmet Engelleme (DDoS), sahtecilik, keşif ve veri enjeksiyon saldırıları gibi güvenlik tehditleri, hasta mahremiyeti ve sağlık hizmetlerinin güvenilirliği açısından kritik öneme sahiptir. Bu nedenle, IoMT ağları içinde etkili, akıllı ve kullanıcı dostu bir Saldırı Tespit Sistemi (IDS) geliştirmek, umut vaat eden bir araştırma alanıdır. Geliştirilmekte olan IDS, makine öğrenimi ve derin öğrenmenin tahminlerini kullanan yeni bir hibrit IDS modelidir. IDS'nin amacı, etkili ve doğru, yorumlanabilir, çok sınıflı veri kümelerine ve dengesiz veri kümelerine genelleştirilebilir olmaktır. Proje ayrıca, bilim camiasından Random Forest ve XGBoost gibi geleneksel makine öğrenimi yöntemlerinin yanı sıra en modern derin öğrenme yöntemleri olan TabNet ve CNN-BiLSTM'yi de kullanacaktır. Çerçeve, büyük ölçekli veri temizleme, kategorik kodlama, uç değerleri işlemek için ölçeklendirme, özellik dönüşümü, hiperparametre ayarlama ve çeşitli metrikler kullanılarak performans değerlendirmesini içeren açık ama esnek bir boru hattından oluşmaktadır. Veri kümesi, gürültülü ve dengesiz örnekler içeren işlenmiş IoMT trafik günlüklerinden elde edilmiştir. Sınıf dağılımını korumak için tabakalı örnekleme kullanılarak eğitim ve test alt kümelerine ayrılmıştır. Makine öğrenimi aşamasında, Random Forest %97,2'lik bir test doğruluğu elde ederken, XGBoost %98,8'e ulaştı. Bu modeller, beş tür ağ trafiğini (iyi huylu, DoS, DDoS, sahtecilik ve keşif) ayırt etmede iyi performans gösterdi. Karmaşık zamansal ve özellik etkileşimlerini ele almada geleneksel modellerin sınırlarını belirledikten sonra, derin öğrenme aşaması hibrit bir yapı önerdi. TabNet, verilerden üst düzey, anlaşılması kolay özellikler çıkardı ve bunlar daha sonra uzamsal ve sıralı ilişkileri öğrenen bir CNN-BiLSTM modeli tarafından işlendi. Birleştirilmiş model, %100 eğitim doğruluğu ve %99,0 test doğruluğu elde ederek tüm bireysel modelleri geride bıraktı. Ek olarak, aşırı uyum olmadan performansı optimize etmek için Optuna çerçevesi kullanılarak hiperparametre ayarlaması yapıldı. Sistemin yorumlanabilirliğini ve güvenilirliğini artırmak için, çalışma iki açıklanabilir AI tekniği içeriyordu: SHAP (SHapley Additive exPlanations) ve LIME (Local Interpretable Model-agnostic Explanations). Bu teknikler, sağlık gibi yüksek riskli alanlarda hayati önem taşıyan küresel özellik önem analizi ve tahminlerin spesifik yorumlanmasını kolaylaştırdı. Şeffaflık ve açıklanabilirlik, karar vermede çok önemlidir. Son literatürle yapılan karşılaştırma, bu projenin doğruluk, ölçeklenebilirlik ve yorumlanabilirlik açısından mevcut en gelişmiş yöntemlerle eşleşmekle kalmayıp, çoğu zaman bunları aştığını göstermektedir. Örneğin, mevcut ensemble ve derin öğrenme modelleri genellikle %95-98 doğrulukta bir platoya ulaşır ve çok sınıflı sınıflandırmada zorluklarla karşılaşır. Yeni hibrit model, saldırı sınıflarının eşit olmayan dağılımlarında bile yüksek doğruluğu korurken, açıklanabilir sonuçlar sağlar, bu da genellikle kara kutu derin öğrenme modelleri için bir zorluktur. Özetle, bu makale, günümüzün bağlantılı sağlık hizmetlerinin acil ihtiyaçlarını karşılayan, IoMT sistemleri için birleşik, ölçeklenebilir ve yorumlanabilir bir IDS sunmaktadır. Derin öğrenmenin öngörü gücünü, makine öğreniminin sağlam temellerini ve açıklanabilir AI yöntemlerinin netliğini bir araya getiren model, gerçek dünya sağlık altyapılarının benimsenmesi için çok önemli olan güven ve güvenilirliğin yanı sıra mükemmel algılama doğruluğu sunar. Bu çalışma, akıllı IoMT güvenlik sistemlerinde gelecekteki gelişmeler için zemin hazırlar ve akıllı hastaneler ve teletıp platformlarında gerçek zamanlı, yorumlanabilir ve uyarlanabilir saldırı algılama fırsatları sunar.
Benzer Tezler
- Optimize Edilmiş Hibrit Derin Öğrenme Modeli ile Beyin MR Görüntülerinde Tümör Sınıflandırılması
Tumor classification in brain mri images using an optimized hybrid deep learning model
VEYSEL TİLEĞİ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ YILDIZ
- IoMT ağlar için yapay zeka tabanlı yeni bir saldırı tespit sistemi
A new intrusion detection system for an iomt network based on artificial intelligence
YOUSIF HOSAIN DAKHIL AL-BEHADILI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Genomik verilerin prostat kanseri sürecindeki etkisinin incelenmesi
Examining the impact of genomic data on the prostate cancer process
AHMET DEMİRÖZ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. NESRİN AYDIN ATASOY
- Mikroskobik kan yayma görüntülerinde orak hücre tespiti için hibrit görüntü iyileştirme ve açıklanabilir derin öğrenme yaklaşımı
A robust and explainable deep learning pipeline with hybrid image enhancement for sickle cell detection
TOLGA AŞAR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSiirt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YAHYA DOĞAN
- Elektrikli otobüslerde çizge tabanlı öznitelik seçimi ve makine öğrenmesi ile kestirimci bakım
Predictive maintanance with graph based feature selection & machine learning in electrical busses
AYŞE IRMAK ERÇEVİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT ÖZBAYOĞLU