Siber fiziksel ve endüstriyel sistemlerde davetsiz misafir saldırılarının anormallik tespiti için yapay zeka ve yumuşak hesaplama yöntemlerinin uygulanması

Siber-fiziksel sistemler ve endüstriyel kontrol sistemlerinin dijitalleşmesi, bu sistemlere yönelik siber tehditlerin karmaşıklığını ve tehlikelerini artırmıştır. Özellikle davetsiz misafir saldırıları, sistemlerin sürekliliği ve güvenliği üzerinde ciddi bir tehdit oluşturmaktadır. Bu tez çalışmasında, siber-fiziksel sistemler ve endüstriyel kontrol sistemlerinde davetsiz misafir saldırılarının anomali tespiti için yapay zeka ve yumuşak hesaplama temelli yöntemlerin performansı sistematik bir şekilde incelenmiştir. Bu amaçla, CIC-ToN-IoT, CSE-CIC-IDS2018 ve Edge-IIoTset gibi güncel ve kapsamlı veri setleri kullanılarak çeşitli makine öğrenmesi, derin öğrenme ve yumuşak hesaplama teknikleri uygulanmıştır. Karar ağaçları, destek vektör makineleri, K-en yakın komşu, lojistik regresyon ve doğrusal diskriminant analizi gibi klasik makine öğrenmesi algoritmaları ile Evrişimli Sinirsel Ağ ve Uzun Kısa Dönemli Bellek gibi derin öğrenme yaklaşımlarının performansı değerlendirilmiştir. Ayrıca, bulanık mantık, Genetik Algoritmalar, Uyarlamalı Nöro-Bulanık Çıkarım Sistemi ve Derin Q Ağı gibi yumuşak hesaplama yöntemleriyle hem bağımsız hem de hibrit modeller geliştirilerek sistem performansı analiz edilmiştir. Elde edilen bulgular, klasik makine öğrenmesi modellerinin genellikle yüksek isabetlilik sunduğunu, ancak derin öğrenme ve yumuşak hesaplama temelli yöntemlerin, özellikle azınlık sınıflarında ve karmaşık veri setlerinde esneklik ve uyarlanabilirlik avantajları sağladığını ortaya koymaktadır. Çalışma, bu yöntemlerin siber-fiziksel ve endüstriyel kontrol sistemlerindeki uygulanabilirliğini göstermeyi ve bu alanda yapılacak ileri düzey araştırmalara katkı sunmayı hedeflemektedir.