Nesnelerin internetinde ağ katmanında güvenli ve enerji verimli yeni bir yöntem tasarımı ve uygulaması

Geçen 10 yılı aşkın süre içerisinde Nesnelerin İnterneti (Internet of Things - IoT)'ni hedef alan saldırılar, internete bağlı akıllı cihazların ve uygulamaların yaygınlaşmasıyla endişe yaratan boyutta artış göstermiştir. Düşük Güçlü ve Kayıplı Ağlar için Yönlendirme Protokolü (Routing Protocol for Low-Power and Lossy Network - RPL), ağ katmanında Kablosuz Algılayıcı Ağlar için paketlerin, tercih edilen amaç fonksiyonuna uygun olarak düğümler arasında yönlendirilmelerini sağlar. Önemli görevi olan ve korunumu güç olan RPL, çeşitli saldırılara maruz kalmaktadır ve bu saldırılar, düğümler arası paket iletimini olumsuz etkilemektedir. Ayrıca kısıtlı olan enerji gibi kaynakların da tüketilmesine sebep olarak topolojiye büyük zarar vermektedir. RPL'ye karşı Hello Flooding (HF) saldırıları düğümlerde kısıtlı olan kaynakların (bellek, işlemci yükü ve enerji) tüketimine neden olmaktadır. Bu sebeple, RPL'ye gerçekleştirilen HF saldırılarının tespit edilmesi ve engellenebilmesi için etkili bir yönteme gereksinim vardır. Saldırı tespit sistemlerine derin öğrenme yöntemleri başarı ile uygulanabilmektedir. Bu tez çalışmasında, bir Yinelemeli Sinir Ağları (Recurrent Neural Networks - RNN) mimarisi olan Geçitli Tekrarlayan Birim derin öğrenme yöntemi ile IoT ağlarında zararlı düğümlerin sınıflandırılarak RPL kaynaklarının tüketimi hedefli saldırı tespit ve önleme yöntemi önerilmiştir. Önerilen yöntem, en yaygın kullanılan sınıflandırma algoritmalarından Destek Vektör Makinesi ve Lojistik Regresyon ile karşılaştırılmış ve düğümlerde enerji gibi kısıtlı olan kaynakların tüketimine neden olan RPL taşkın saldırılarından HF saldırı tespitinde daha başarılı sonuçlar verdiği çalışmamızda sunulmuştur. HF saldırısına karşı literatür araştırmalarına göre çok daha düşük bir yanılma ile saldırı tespit ve önleme gerçekleştirilmiştir.