Machine Learning Based Intrusion Detection of DDoS Attack on IoT Devices

Üretkenliği hızlandırmak ve aynı zamanda insanlar için hayatı daha kolay ve konforlu hale getirmek amacıyla, hayatımızın hemen her sektörü sürekli olarak internete bağlı. Böylece, her cihazın bağlı olduğu ve buna kısaca nesnelerin interneti, kısaca IoT olarak anılan merkezi bir sistem sunarak verilere hızlı bir şekilde erişilebilir. Bu nedenle, akıllı kelimesi bu merkezi sistemde bulunan şeylere iliştirilir. Akıllı hastaneler, akıllı arabalar, akıllı evler bazı örneklerdir. Ancak, internete bağlı cihazların çoğu güvenlik söz konusu olduğunda çok zayıftır ve IoT cihazlarının tehlikeli güvenlik tehditlerinden biri de Dağıtılmış Hizmet Reddi saldırısı basitçe DDoS saldırısıdır. DDoS saldırısı, kaynakları, bant genişliğini vb. tüketerek meşru kullanıcıların hedeflenen bir sistem hizmetine erişmesini engellemeyi amaçlar. DDoS saldırısını çok tehlikeli yapan şey, internet üzerinde çok az bilgisayar becerisine sahip veya hiç bilgisayar becerisi olmayan kişilerin bile böyle bir saldırı başlatmasına izin verebilecek çok sayıda özgür yazılımın olmasıdır. DDoS saldırısını tespit etmek için farklı mekanizmalar olmasına rağmen, bu çalışmada makine öğrenmesinin kullanılmasının nedeni, saldırının doğasını öğrenebilen ve anında tespit edebilen otomatik bir sisteme sahip olmasıdır. Veri setinin eğitiminde ve analizinde denetimli bir makine öğrenimi kullanıldı. Karar ağacı, KNN ve Naive Bayes, bir DDoS saldırısından kaynaklanan iyi huylu bir trafiği sınıflandırmak için kullanılan algoritmalardır. CIC2019DDoS veri setinden yaklaşık on dokuz farklı özellik özenle seçilmiştir. Deney için kullanılan DDoS saldırı türleri UDP, DNS, SYN ve NetBIOS'tur. Deneyin sonuçları, Karar ağacının ve KNN'nin sırasıyla %100 ve %98 doğrulukla en etkili olduğunu kanıtladı. Naive Bayes, %29 doğrulukla çok kötü bir sonuç verdi.