Tez No	İndirme	Tez Künye	Durumu
659831		Nesnelerin internetinde ağ katmanında güvenli ve enerji verimli yeni bir yöntem tasarımı ve uygulaması / Design and application of a safe and energy efficient new method at the network layer in the internet of things Yazar:SEMİH ÇAKIR Danışman: DR. ÖĞR. ÜYESİ SİNAN TOKLU ; DR. ÖĞR. ÜYESİ NESİBE YALÇIN Yer Bilgisi: Düzce Üniversitesi / Fen Bilimleri Enstitüsü / Elektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2021 59 s.
Geçen 10 yılı aşkın süre içerisinde Nesnelerin İnterneti (Internet of Things - IoT)'ni hedef alan saldırılar, internete bağlı akıllı cihazların ve uygulamaların yaygınlaşmasıyla endişe yaratan boyutta artış göstermiştir. Düşük Güçlü ve Kayıplı Ağlar için Yönlendirme Protokolü (Routing Protocol for Low-Power and Lossy Network - RPL), ağ katmanında Kablosuz Algılayıcı Ağlar için paketlerin, tercih edilen amaç fonksiyonuna uygun olarak düğümler arasında yönlendirilmelerini sağlar. Önemli görevi olan ve korunumu güç olan RPL, çeşitli saldırılara maruz kalmaktadır ve bu saldırılar, düğümler arası paket iletimini olumsuz etkilemektedir. Ayrıca kısıtlı olan enerji gibi kaynakların da tüketilmesine sebep olarak topolojiye büyük zarar vermektedir. RPL'ye karşı Hello Flooding (HF) saldırıları düğümlerde kısıtlı olan kaynakların (bellek, işlemci yükü ve enerji) tüketimine neden olmaktadır. Bu sebeple, RPL'ye gerçekleştirilen HF saldırılarının tespit edilmesi ve engellenebilmesi için etkili bir yönteme gereksinim vardır. Saldırı tespit sistemlerine derin öğrenme yöntemleri başarı ile uygulanabilmektedir. Bu tez çalışmasında, bir Yinelemeli Sinir Ağları (Recurrent Neural Networks - RNN) mimarisi olan Geçitli Tekrarlayan Birim derin öğrenme yöntemi ile IoT ağlarında zararlı düğümlerin sınıflandırılarak RPL kaynaklarının tüketimi hedefli saldırı tespit ve önleme yöntemi önerilmiştir. Önerilen yöntem, en yaygın kullanılan sınıflandırma algoritmalarından Destek Vektör Makinesi ve Lojistik Regresyon ile karşılaştırılmış ve düğümlerde enerji gibi kısıtlı olan kaynakların tüketimine neden olan RPL taşkın saldırılarından HF saldırı tespitinde daha başarılı sonuçlar verdiği çalışmamızda sunulmuştur. HF saldırısına karşı literatür araştırmalarına göre çok daha düşük bir yanılma ile saldırı tespit ve önleme gerçekleştirilmiştir.
Over the past decade, attacks targeting the Internet of Things (IoT) have increased to a worrying extent with the widespread use of mobile devices and applications connected to the Internet. Routing Protocol for Low-Power and Lossy Network (RPL) allows packets to be routed between nodes in compliance with the desired purpose for the Wireless Sensor Network at the network layer. RPL, which has an essential role and is difficult to secure, is vulnerable to several attacks. These attacks have a negative impact on data transmission between nodes and, by consuming resources, cause great destruction of the topology. Hello Flooding (HF) attacks against RPL result in the consumption of limited resources (memory, processing and energy) in nodes. For this reason, there is a need for an effective method to detect and prevent HF attacks on RPL. Deep learning methods can be successfully applied to intrusion detection systems. In this thesis, Gated Recurrent Unit deep learning method, an improved version of Recurrent Neural Networks, has been proposed to predict and prevent HF attacks on RPL in IoT networks. The proposed approach has been compared with the two most commonly used classification algorithms, the Support Vector Machine and Logistic Regression, and it has been presented in this thesis that has been given more promising results in detecting HF attacks from RPL flood attacks which consume limited energy in nodes. In addition, detection and prevention of HF attacks has been performed with a much lower failure rate than literature research.