Iot based smart metering system in smart homes

İnsanlığın büyümesine yardımcı olmak için yeni teknolojiler geliştirilse bile, güvenlik sistemleri, başkalarının verilerini çalmak veya bunlara zarar vermek isteyenler tarafından istismar edilebilecek zayıf noktalara sahiptir. Tipik bir güvenlik sorununa örnek olarak, kırılması çok kolay veya kullanıcıların hatırlaması için çok basit olan cihazlar için şifrelerin kullanılması verilebilir. Botnet'ler, kötü niyetli aktörler tarafından kullanılan bir taktiktir; komutları yürütmek için kullanılabilecek, güvenliği ihlal edilmiş aygıt ağlarıdır. Botnet'ler, saldırıya uğramış bilgi işlem cihazlarının ağlarıdır. Doğrudan bir sonuç olarak, Nesnelerin İnterneti'nin (IoT) güvenliği ile ilgili sorunlar ele alınmalıdır. Buna göre, 2020 yılına kadar 26 milyar Nesnelerin İnterneti (IoT) cihazı internete bağlı olabilir. Bu nedenle, Nesnelerin İnterneti'nin güvenliğini (IoT) korumak için çözümler geliştirmek çok önemlidir. Birçok ağ ayarında, izinsiz giriş tespit sistemleri, ağ güvenliği için ilk savunma hattı görevi görür. Bu çalışma alanında, tehlikeli davranış örneklerini belirlemek için denetimli makine öğrenimini kullanan [8] ve [9] dahil olmak üzere çeşitli çalışmalar yapılmıştır. [8] ve [9] Bu tür sistemlerde, veritabanlarını etiketleme süreci, hem hesaplama hem de insan kaynakları için büyük bir yatırım gerektirir. Adım 1 olarak da bilinen veri kümesi hazırlama aşaması sırasında, bu tekniğin algoritması, benzerlik derecelerine göre azalan düzende düzenlemek için veri kümelerinin niteliklerine dayalı olarak özellikler seçer. Bu prosedür, özellik seçimi olarak bilinir. DoS, R2L, U2R ve sondalama, IDS testi için oluşturulan KDD CUP 99(KDD) veri setinde yer alan dört saldırı türü arasındadır. Her TCP bağlantısına özgü 41 KDD özelliği vardır. Bu özellikler üç gruba ayrılabilir: trafik özellikleri, temel özellikler ve içerik özellikleri. KDD, saldırı tespit veri madenciliği ve makine öğrenimi araştırmaları gerektiren durumlarda sıklıkla kullanılmıştır.