Tez No	İndirme	Tez Künye	Durumu
731389		Increasing communication security among internet of things / Nesnelerin interneti öğelerinin iletişiminde güvenlik tedbirlerinin artırılması Yazar:MURAT EMEÇ Danışman: DR. ÖĞR. ÜYESİ MEHMET HİLAL ÖZCANHAN Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Ağ güvenliği = Network security ; Büyük veri = Big data ; Derin öğrenme = Deep learning ; Hibrit öğrenme = Hybrid learning ; Nesnelerin interneti = Internet of things ; Saldırı algılama sistemi = Introsion detection system ; Siber güvenlik = Cyber security ; Sınıflama yöntemleri = Classification methods ; Veri madenciliği = Data mining ; Yapay zeka = Artificial intelligence	Onaylandı Doktora İngilizce 2022 153 s.
Bilişim teknolojilerinin gelişimi, yaşamımızın çeşitli yönlerine önemli katkılar sağlamaktadır. Teknolojinin büyüme hızına bağlı olarak birçok yeniliği de beraberinde getiriyor. Nesnelerin interneti (IoT), son yıllarda en popüler ve en hızlı büyüyen teknolojiler arasında yer alıyor. Adreslenebilir IoT cihazları, internet üzerinden önemli verileri oluşturuyor ve kullanıyor. Veri trafiğindeki artış nedeniyle IoT ağlarındaki saldırılar da önemli ölçüde artıyor. Bu tez, IoT ağlarına yönelik saldırıları tespit etmek için ikili ve çoklu etiket sınıflandırma yöntemleri sağlayarak IoT iletişiminde güvenliği artırıyor. İzinsiz girişleri tespit etmek için yeni bir hibrit Derin Öğrenme modeli tasarlandı. Önerilen İzinsiz Giriş Algılama Sistemi (IDS) için iki farklı genel veri seti (CIC-IDS-2018, Bot-IoT) kullanıldı. Ayrıca, son yıllarda IoT ağlarına yönelik yönlendirme saldırılarındaki artış nedeniyle, IoT cihazlarını hedefleyen yönlendirme saldırılarını içeren yeni bir veri seti oluşturuldu. Böylelikle, şu anda yapılan çalışmalarda 14 saldırı türü analiz edilmiştir. Analizin sonuçları, modelin doğruluğu, F1-puanı ve eğitim süresi olarak kapsamlı bir şekilde sunulmuştur. Sonuçlarımızı önceki çalışmalarla karşılaştırdığımızda, tasarlanan hibrit Derin Öğrenme modelimizin en iyi eğitim süresi/doğruluğu ve eğitim süresi/F1-puanı performans oranlarına sahip olduğunu ortaya koydu. Karşılaştırmalar, önerilen modelimizin önceki çalışmalara göre IoT saldırılarını tespit etme konusunda daha başarılı olduğunu gösteriyor. Önerilen modelimizin başarılı performansı, hibrit Derin Öğrenme yöntemlerinin IoT izinsiz giriş algılama sistemlerinde yenilikçi ve verimli bir perspektif olabileceğinin kanıtıdır
The development of information technologies makes significant contributions to various aspects of our life. It brings various innovations together, depending on the rate of technology's growth. The Internet of Things (IoT) is among the most popular and fastest expanding technologies in recent years. Addressable IoT devices generate and use significant data over the Internet. Because of the increase in data traffic, attacks in IoT networks are also increasing significantly. The present thesis increases security in IoT communication by providing binary and multi-label classification methods for identifying attacks in IoT networks. A new Hybrid Deep Learning model has been designed for detecting intrusions. Two different public datasets (CIC-IDS-2018, BoT-IoT) are used for the proposed Intrusion Detection System (IDS). In addition, a new dataset containing routing attacks targeting IoT devices has been created, because of the increase in routing attacks in IoT networks in recent years. Hence, 14 attack types have been analyzed in the present work. The results of the analysis have been presented extensively, as to the accuracy, F1-score, and training time of the model. Comparing our results to previous studies showed that our designed hybrid Deep Learning model has the best training time/accuracy and time/F1-score performance ratios. Comparisons prove that our proposed model is more successful in detecting IoT attacks than the previous works. The successful performance of our proposed model is proof that hybrid Deep Learning methods can be an innovative and efficient perspective in IoT Intrusion Detection Systems.