Tez No	İndirme	Tez Künye	Durumu
667445		LTE-A kablosuz ağlarda kötü niyetli röle ataklarının makine öğrenmesi yöntemleri ile tespiti / Detection of malicious relay attacks in LTE-A wireless networks by machine learning methods Yazar:YELİZ YENGİ Danışman: PROF. DR. ADNAN KAVAK Yer Bilgisi: Kocaeli Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2020 103 s.
Uzun Vadeli Evrim Gelişmiş (LTE-A) ağlarda yapılan birçok çalışmada, röleler kullanılarak kapsama alanı ve performans artırmaya odaklanılmıştır. Kablosuz ağların doğası gereği kötü niyetli davranışlara açık olması, röle tarafından iletişimin gecikmesine ya da performansının düşmesine neden olabilmektedir. Bu nedenle son zamanlarda, iletişim performansının artırılması ve veri gizliliğinin sağlanması için, fiziksel (PHY) katman güvenliği çalışmalarının yapılması önem kazanmaktadır. Mevcut çalışmalarda PHY katman çözümlerinin yetersiz olması, yapılanların ise denetimli makine öğrenmesi tekniklerine ve istatistiksel yaklaşımlara odaklanması nedeniyle gerekli olan yüksek performanslı kötü niyetli röle tespiti sağlanamamaktadır. Denetimli makine öğrenmesi tekniklerinin veri ve donanım gereksinimleri, istatistiksel yöntemlerin ise sınırlı değişimleri tespit edebilmesi problemin çözümünde farklı yaklaşımların değerlendirilmesini gerekli kılmıştır. Bu nedenle tez çalışmasında, işbirlikçi LTE-A ağlarındaki, kötü niyetli röle ataklarını fiziksel katmanda tespit etmek için hedef düğümde denetimsiz makine öğrenmesi yaklaşımlarının kullanılması önerilmektedir. Tek sınıflı destek vektör makinesi (OCSVM), yerel aykırı faktör (LOF) ve yalıtım ormanı (iForest), kötü amaçlı röle tespiti için uygulanmaktadır. Makine öğrenmesi algoritmalarına girdi teşkil eden özellik vektörleri, modüle edilmiş temel bant sembollerinin genlik, faz ve bağıl faz bilgileri kullanılarak oluşturulmaktadır. Makine öğrenmesi algoritmalarının performansı, kesinlik, doğruluk ve eğri altında kalan alan (AUC) ölçümleri ile değişen sinyal gürültü oranı (SNR) seviyeleri, farklı modülasyon türleri, tahsis edilen kaynak bloğu (RB) sayısı ve değişen veri boyutu eksenlerinde analiz edilmiştir. Ayrıca, önerilen denetimsiz öğrenme algoritmalarının başarımı, literatürde mevcut diğer denetimli öğrenme algoritmaları ve geleneksel istatistiksel yöntemler ile de karşılaştırılmıştır. Sonuçlar, LTE-A ağlarındaki kötü amaçlı röleleri bilhassa fiziksel katmanda tespit etmek için önerilen yaklaşımımızın etkinliğini göstermektedir.
There are many studies in existence that focus on improving the performance of relays for Long Term Evolution Advanced (LTE-A) networks and focus on improving the performance of relays and security issues are often neglected. Due to the broadcast nature of wireless channels, relay nodes in LTE-A network may act maliciously, affect communication, reduce quality and cause delays. Recently physical (PHY) layer security has attracted researchers to provide secure communication and data privacy. The current studies are insufficient with regards to PHY malicious relay detection by focusing on supervised machine learning and statistical learning approach. Malicious relay detection requires a high level of data and hardware configurations to achieve success by using supervised learning and a statistical approach also has limitation to detect any maliciousness in relay behavior. Therefore in this thesis we propose using an unsupervised machine learning approach at the destination node to detect malicious relay attacks in cooperative LTE-A networks based on received source signal in PHY layer. Unsupervised outlier detection algorithms are applied to detect various malicious relay behaviors. As input to these algorithm feature vectors are constructed by using amplitude, phase and relative phase information of modulated baseband symbols. The performance of the outlier detectors are evaluated with respect to precision, accuracy and under the area curve (AUC) measures for changing signal-to-noise ratio (SNR) levels, different modulation types, allocated number of resource blocks (RBs) and varying data size. The results demonstrate the effectiveness of our proposed outlier detection approach when compared to existing studies which employ supervised and conventional learning for detecting malicious relays in LTE-A networks. The results verify the contribution of this study which is the demonstration of the effectiveness of one class outlier detection approaches for detecting malicious relays in LTE-A network