RPL tabanlı lot ağlarında saldırı tespiti ve sınıflandırılması

Bu çalışmada, RPL (Routing Protocol for Low-Power and Lossy Networks) tabanlı Nesnelerin İnterneti (IoT) ağlarında Blackhole, HelloFlood ve Version Number saldırılarının ağ performansı ve enerji tüketimi üzerindeki etkilerini incelemeyi ve bu tehditleri makine öğrenmesi ile derin öğrenme teknikleri kullanarak otomatik olarak tespit etmeyi amaçlamaktadır. Contiki 3.0 işletim sistemi ve Cooja simülatörü kullanılarak oluşturulan 52 düğümlü bir ağ modelinde, belirtilen saldırılar simüle edilmiş ve etkileri çok boyutlu olarak analiz edilmiştir. Powertrace, Wireshark ve Foren6 araçları ile enerji tüketimi, ağ trafiği ve DODAG (Destination Oriented Directed Acyclic Graph) yapısındaki değişiklikler detaylı bir şekilde değerlendirilmiştir. Simülasyon sonuçları, Blackhole saldırısının veri kaybına ve yönlendirme hatalarına, HelloFlood saldırısının ağ trafiği yoğunluğunda %68 artışa ve Version Number saldırısının kontrol mesajı trafiğinde dört kat artışa neden olduğunu ortaya koymuştur. Enerji tüketimi analizleri, bu saldırıların düğüm başına %30-60 oranında enerji artışı yarattığını göstermiştir. Saldırıların tespiti için BiLSTM, LSTM, XGBoost ve LightGBM modelleri karşılaştırmalı olarak test edilmiş; BiLSTM %99,02 doğruluk ve %99,83 AUC ile en yüksek performansı sergilerken, XGBoost 1,21 saniyelik test süresiyle gerçek zamanlı uygulamalarda avantaj sağlamıştır. Ancak, modellerin hesaplama karmaşıklığı, kaynak kısıtlı IoT cihazlarında uygulanabilirliklerini sınırlamaktadır. Çalışma, RPL protokolünün güvenlik açıklarını kapatmak için hafif derin öğrenme modelleri, federated learning ve kenar hesaplama entegrasyonu gibi yenilikçi yaklaşımların araştırılmasını önermektedir. Bulgular, IoT ağlarının güvenilirliğini ve sürdürülebilirliğini artırmak için çok katmanlı güvenlik çerçevelerinin geliştirilmesi gerektiğini vurgulamakta ve bu alanda yapılacak araştırmalara temel oluşturmaktadır.