Jamming attack detection in wi-fi networks : analysis of network performance measures and construction of sequential machine learning model

Abstract

Wi-Fi ağları çok sayıda siber saldırıya karşı savunmasızdır ve IoT Sistemlerin açık ve paylaşımlı yapıları nedeniyle bu tür saldırılara maruz kalma olasılıkları daha fazladır. Jamming saldırıları, radyo frekanslarını bozmak ve iletişimi engellemek için çeşitli cihazları kullanan bir saldırı biçimi ve ayrıca kablosuz iletişimdeki diğer cihazlar nedeniyle istemeden meydana gelebilen bir olgu olarak tanımlanır. Jamming saldırıları tespit edilmesi en zor saldırılardan biridir ve kablosuz iletişim protokollerinin farklı katmanlarında uygulamaların geliştirilmesini gerektirir. Özellikle kritik uygulamalarda aktif bir sıkıştırma saldırısını tespit etmek ve yetkililere bildirmek kritik öneme sahiptir, bu nedenle sıkıştırmayı etkili bir şekilde ele almak ve diğer kablosuz ağ sorunlarından ayırmak için ağ performansında etkilenen mevcut verilerin analiz edilmesini gerektirir. Bu tezde, normal operasyon, sunucu kesintileri, erişim noktası bağlantı kesintileri ve çeşitli jamming saldırıları türleri arasında tespit ve ayrım yapmak için derin öğrenme modellerinin geliştirilmesi ve uygulanmasına odaklanılarak IoT ağlarının rastgele jamming saldırılarını tespit kapasitesi araştırmaktadır. Bu araştırmada, Yazılım Tanımlı Radyoların (SDR) kullanımıyla, jamming saldırılarının neden olduğu gerçek dünya simülasyonları için, kontrollü koşullar altında IoT cihazlarını içeren çeşitli deneyler hazırlanmıştır. Tez, saldırı tespiti modeli geliştirme için ağ performans ölçümlerinin kapsamlı bir analizini ve bu modellerin performansını sunarken çeşitli ağ sorunlarını tespit etmedeki güçlü ve zayıf yönlerinden bahsetmektedir. Bulgular modellerin örtüşen özellikler nedeniyle normal işlemler ile sıkıştırma saldırıları arasında ayrım yapmada zorluklarla karşı karşıya kalırken, izole ağ sorunlarında, bu sorunları normal operasyon rutininden ayırmak için yüksek doğruluk oranı elde ettiğini göstermektedir. Bu çalışmanın sonuçları, bu tespit tekniklerinin ilerlemesi için gelecekteki araştırmalar için bir temel sağlamaktadır.

Wi-Fi networks are vulnerable to numerous cyber-attacks, and IoT Systems are more prone to such attacks due to their inherently open and shared nature. Jamming attacks are defined as a form of attack using radio devices to disrupt radio frequencies and prevent communication, and also a phenomenon that can unintentionally occur due to other devices in wireless communication. That makes it one of the most challenging attacks to detect and requires the development of applications at different layers of wireless communication protocols. Especially in critical applications, detecting an active jamming attack and reporting it to the authorities is critical; therefore, it is important to analyze available data that is affected on network performance to effectively address jamming and distinguish it from other wireless network problems. This thesis explores the resilience of IoT networks to random jamming attacks with a focus on the development and implementation of deep learning models to detect and differentiate between normal operations, server downtime, access point disconnections, and various types of jamming attacks. The research is utilized in an experiment setup involving IoT devices under controlled conditions to simulate real-world interference caused by jamming attacks which are generated with the use of SDRs. The thesis provides a comprehensive analysis of network performance metrics for model development and the performance of these models while mentioning their strengths and limitations in detecting various network issues. The findings indicate that while the models face challenges in distinguishing between normal operations and jamming attacks due to overlapping characteristics but exhibit high accuracy in isolated network issues to distinguish them between regular operation The implications of this work provide a foundation for future research for the progression of these detection techniques.