Can veri yolu haberleşme protokolüne sahipelektrikli araçlara yapılan siber saldırıları derinöğrenme yöntemleri ile tespiti

Araçların dijitalleşmesi ve bağlantılı sistemlere entegrasyonu arttıkça, özellikle sınırlı işlem gücüne sahip hafif ticari araçlarda, araç içi iletişim ağlarının siber güvenliğini sağlamak kritik bir sorun haline gelmiştir. Bu tez çalışması, Controller Area Network (CAN) veri yolu güvenliğine yönelik, hafif yapılı bir evrişimsel sinir ağı (CNN) tabanlı Girişim Tespit Sistemi (IDS) önermektedir. Çalışmanın temel amacı, düşük güçlü gömülü sistemlerde konuşlandırılabilecek bir model aracılığıyla CAN trafiği üzerinde yapılan sahte mesajlar ve kötü niyetli müdahaleleri tespit etmektir. Modelin geliştirilmesi ve değerlendirilmesi için hem gerçek hem de sentetik saldırılardan oluşan hibrit bir veri kümesi oluşturulmuştur. Gerçek CAN trafiği, J1939 uyumlu gerçek, hali hazırda kullanılan, bir elektrikli araçtan Vector VN1630 arayüzü ve CANoe yazılımı kullanılarak toplanmıştır. Saldırı verisi ise Raspberry Pi 5 ve MCP2515 transceiver modülü kullanılarak sahtecilik, mesaj enjeksiyon hizmet engelleme (DoS) ve tekrar oynatma senaryoları altında üretilmiştir. Bu saldırılar, hem statik hem de dinamik sürüş koşullarında çeşitli elektronik kontrol ünitelerini (ECU) hedef almıştır. CAN mesajları, uzamsal desenlerin öğrenilmesini sağlamak amacıyla 8×13 boyutunda ikili gri tonlamalı görüntülere dönüştürülmüştür. Önerilen model, iki evrişim katmanı, sadeleştirme işlemi, tam bağlantılı katmanlar ve aşırı öğrenmeyi önleyici yöntem içeren basit bir CNN mimarisidir. Önerilen model, 200.000'in altında parametreye sahip oldukça hafif bir yapıya sahiptir. Buna rağmen %98,87 doğruluk oranı ile yüksek bir sınıflandırma performansı sergilemiştir. Bu sonuç, modelin güçlü ve etkili bir şekilde sınıflandırma yapabildiğini göstermektedir. Bu çalışma, veri setinin hazırlanmasından modelin eğitilmesine kadar tüm aşamaları gerçek dünya koşullarında gerçekleştirilmiştir. CAN mesajlarının bit düzeyindeki yapısı ve zamanlama özellikleri korunarak, geleneksel yöntemlerin fark edemeyeceği ince örüntüler CNN modeliyle başarıyla öğrenilmiştir. Bu sayede sistem, hem yüksek doğruluk hem de güçlü genellenebilirlik performansı göstermiştir. Modelin özellik görselleştirmeleri (PCA ve t-SNE) de modelin gerçek ve sahte örnekler arasında belirgin bir ayrım yapabildiğini göstermiştir. Bu çalışma, CAN veri yolu siber güvenliğine yönelik özgün bir derin öğrenme çerçevesi sunmaktadır. Ortaya çıkan sistem, modern araçlarda, özellikle sınırlı işlem kaynaklarına sahip platformlarda, gerçek zamanlı siber güvenlik uygulamaları için pratik ve ölçeklenebilir bir çözüm sunmaktadır.