Nesnelerin interneti tabanlı ağlarda derin öğrenme ile saldırı tespiti

Abstract

Araçların İnterneti (IoV) ve Tıbbi Nesnelerin İnterneti (IoMT) sistemlerinin hızla yaygınlaşması, bu sistemlerin güvenliğini kritik bir öncelik haline getirmektedir. Bu tez çalışması, IoV ve IoMT sistemlerinde oluşabilecek siber saldırıların tespiti için derin öğrenme tabanlı yeni bir yaklaşım önermektedir. Tez çalışmasında, Evrişimli Sinir Ağları (CNN), Derin Sinir Ağları (DNN) ve Uzun-Kısa Süreli Bellek (LSTM) mimarilerini içeren üç farklı model geliştirilmiş ve bu modeller kapsamlı deneylerle test edilmiştir. Bu tez çalışmasında yapılan deneylerde CICIoV2024 ve CICIoMT2024 veri setleri kullanılmıştır. CICIoV2024 veri seti üzerinde yapılan deneylerde, önerilen modeller ikili ve üçlü sınıflandırmada mükemmel başarı gösterirken, altılı sınıflandırmada da yüksek doğruluk oranlarına ulaşmıştır. CICIoMT2024 veri seti deneylerinde ise ikili sınıflandırmada çok yüksek doğruluk elde edilmiş, sınıf sayısı arttıkça modelin performansı kademeli olarak değişkenlik göstermiştir. Özellikle LSTM mimarisi, karmaşık saldırı desenlerini tespit etmede üstün performans sergilemiştir. Deneysel sonuçlar, önerilen yaklaşımların literatürdeki mevcut çalışmalara kıyasla daha başarılı olduğunu göstermektedir. Bu tez çalışması, IoV ve IoMT sistemlerinin güvenliğini artırmak için etkili ve ölçeklenebilir çözümler sunmakta ve gelecekteki araştırmalar için yeni perspektifler sağlamaktadır.The rapid proliferation of Internet of Vehicles (IoV) and Internet of Medical Things (IoMT) systems has made security a critical priority for these infrastructures. This thesis proposes a novel deep learning-based approach for detecting cyber attacks in IoV and IoMT systems. The research develops and extensively tests three distinct models incorporating Convolutional Neural Networks (CNN), Deep Neural Networks (DNN), and Long Short-Term Memory (LSTM) architectures. The experimental phase of this thesis utilizes the CICIoV2024 and CICIoMT2024 datasets. In experiments conducted on the CICIoV2024 dataset, the proposed models achieved excellent performance in binary and triple classification tasks while maintaining high accuracy rates in six-class classification scenarios. For the CICIoMT2024 dataset experiments, while binary classification yielded exceptionally high accuracy, model performance showed gradual variability as the number of classes increased. The LSTM architecture demonstrated superior performance in detecting complex attack patterns. The experimental results indicate that the proposed approaches outperform existing studies in literature. This thesis presents effective and scalable solutions for enhancing the security of IoV and IoMT systems while providing new perspectives for future research endeavors.