Makine ve derin öğrenme yaklaşımlarına dayalı saldırı tespit sistemi

Bu tez çalışmasında, nesnelerin interneti (Internet of Things - IoT) ağlarına yönelik olarak PBCSC-IoT, PMBL-IoT ve AOCBiT-IoT isimli üç farklı saldırı tespit sistemi (Intrusion Detection System - IDS) geliştirilmiş ve bu modellerin başarımları kapsamlı bir şekilde analiz edilerek karşılaştırılmıştır. Önerilen IDS modellerinde kullanılan öznitelik indirgeme, veri dengeleme ve sınıflandırma yöntemlerinin IDS'ler üzerindeki etkileri değerlendirilmiş ve bu modellerin saldırı tespit başarımları karşılaştırılmıştır. PBCSC-IoT modeli, yarasa optimizasyon algoritması (Bat Optimization Algorithm -BAT), temel bileşenler analizi (Principal Component Analysis - PCA), sentetik azınlık aşırı örnekleme tekniği (Synthetic Minority Oversampling Technique - SMOTE) ve evrişimli sinir ağları (Convolutional Neural Network - CNN) yöntemlerinin hibrit bir yaklaşımla birleştirilmesiyle oluşturulmuş ve IoTID20 ve BoT-IoT verisetlerinde test edilmiştir. PMBL-IoT modeli; PCA, yusufçuk optimizasyon algoritması (Mayfly Optimization Algorithm - MAO), sınırda-SMOTE (Borderline SMOTE - BSMOTE) ve uzun kısa süreli bellek (Long Short-Term Memory - LSTM) yöntemleri ile geliştirilmiş olup IoTID20, CIC-ToN-IoT ve USB-IDS-1 verisetlerinin birleştirilmesiyle elde edilen birleşik veriseti üzerinde test edilmiştir. AOCBiT-IoT ise, Otokodlayıcı, Varyans analizi F-testi (Analysis of Variance F-Test - ANOVA F-Test), uyarlanabilir sentetik örnekleme yöntemi (Adaptive Synthetic Sampling - ADASYN), tek taraflı seçim (One-Sided Selection - OSS) yöntemi ile birlikte CNN, çift yönlü LSTM (Bidirectional LSTM - BiLSTM) ve Transformer yöntemleri ile geliştirilmiş olup, CIC-DDoS2019 veriseti üzerinde test edilmiştir. Sonuçlar, hibrit DL tekniklerinin IoT ağlarında saldırı tespitinde yüksek başarım sağladığını ve veri dengeleme ile öznitelik indirgeme yöntemlerinin bu sınıflandırma başarımını daha da artırabileceğini göstermiştir.