Nesnelerin interneti ortamlarında derin öğrenme ve makine öğrenmesi tabanlı anomali tespiti

Internet ve kablosuz haberleşme teknolojilerinin gelişmesi paralelinde IoT alanında yapılan çalışmalar da ilerlemektedir. Sağlık alanında kullanılan IoT sensörleri ile hastaları yakından takip etmek kolaylaşmaktadır. Ayrıca hastalardan toplanan verilerle tedavi sürecine destek sağlayacak istatistiklerin oluşturulması sağlanabilmektedir. Ancak sağlanan imkanların yanında kablosuz iletişim kuran ve internete bağlı olan IoT cihazlarının güvenlik gibi birtakım sorunları da bulunmaktadır. Sağlık çevrelerinde kullanılan IoT’nin farklı katmalarına yönelik yapılan saldırılar neticesinde ciddi sorunlar oluşabilmektedir. Sağlık alanındaki hassas verilerin bu saldırılardan herhangi birine maruz kalmasıyla, verilerin yetkili kullanıcıların erişemeyeceği şekilde değiştirilmesi veya saldırgan tarafından ele geçirilmesi gibi olumsuz sonuçları olabilmektedir. Bu makalede, IoT ağlarında gerçek dünya davranışlarını içeren eksiksiz ve etiketli bir IoT veri kümesi kullanarak MQTT mesajında çoğaltma, müdahale ve değişiklik saldırılarını yapay zekâ teknikleri kullanarak tahmin etmeye çalışılmıştır. Kullanılan veri seti üzerinde SVM algoritması Accuracy %85, F1 %98, Recall %100 olarak; Naive Bayes (NB) algoritması Accuracy %89, F1 %86, Recall %100 olarak; LSTM Loss %6,7, Accuracy %98, F1 %98, Recall %98 olarak iyileştirme yapmıştır. Anormal davranışların tespitinde bir derin öğrenme algoritması olan LSTM algoritması düşük loss ve yüksek doğruluk verisi ile mevcut makine öğrenimi yaklaşımlarından daha iyi performans göstermiştir.

Anahtar Kelimeler:

IoT, makine öğrenmesi, derin öğrenme, anomali, IoT güvenliği

PDF

___

Cihan Atac, Sedat Akleylek, A Survey on Security Threats and Solutions in the Age of IoT, European Journal of Science and Technology No 15, pp. 36-42, March 2019.
Andrew Cook, Göksel Mısırlı, Zhong Fan, Anomaly Detection for IoT Time-Series Data: A Survey, IEEE Internet of Things Journal, 2019.
X. Liu , Y. Liu , A. Liu , L.T. Yang , Defending on–offattacks using light probing messages in smart sensors for industrial communication systems, IEEE Trans. Ind. Inf. 14 (9) (2018) 3801–3811.
H.H. Pajouh , R. Javidan , R. Khayami , D. Ali , K.-K.R. Choo, A two-layer dimension reduction and two-tier classification model for anomaly-based intrusion detection in iot backbone networks, IEEE Trans. Emerg. Top. Comput. (2016).
Mahmudul Hasan, Md. Milon Islam , Md Ishrak Islam Zarif , M.M.A. Hashem, Attack and anomaly detection in IoT sensors in IoT sites using machine learning approaches, Internet of Things 7 (2019) 10 0 059.
Aikaterini Protogerou, Stavros Papadopoulos, Anastasios Drosou, Dimitrios Tzovaras, Ioannis Refanidis, A graph neural network method for distributed anomaly detection in IoT, Springer-Verlag GmbH Germany, part of Springer Nature 2020.
Chandola, V., Banerjee, A., & Kumar, V., Anomaly detection: A survey. ACM computing surveys (CSUR), 41(3), 15, 2007.
Aziz Butt, Arshad Ali, IoT Smart Health Security Threats Shariq, 19th International Conference on Computational Science and Its Applications (ICCSA), 2019.
Furkan Yusuf YAVUZ, Devrim ÜNAL, Ensar GÜL, Deep learning for detection of routing attacks in the internet of things, Int J Comput Intell System 12(1):39–58, 2018.
Swarna Priya R.M., Praveen Kumar Reddy Maddikunta, Parimala M., Srinivas Koppu, Thippa Reddy Gadekallu, Chiranji Lal Chowdhary, Mamoun Alazab, An effective feature engineering for DNN using hybrid PCA-GWO for intrusion detection in IoMT architecture, Computer Communications 160, 139–149, 2020.
Olivier Brun, Yonghua Yin, Erol Gelenbe, Y. Murat Kadioglu, Javier Augusto-Gonzalez, and Manuel Ramos, Deep Learning with Dense Random Neural Networks for Detecting Attacks Against IoT-Connected Home Environments, Security in Computer and Information Sciences- First International ISCIS Security Workshop 2018 Euro-CYBERSEC 2018 London, UK, February 26–27, Revised Selected Papers p:79-89, 2018.
Anthi, E., Williams, L., & Burnap, P., Pulse: an adaptive intrusion detection for the internet of things, IoT 2018.
A. Diro, N. Chilamkurti, Distributed attack detection scheme using deep learning approach for Internet of Things, Future Generation Computer Systems 82, September 2017.
Özlem Örnek , Seval Vatan, Serpil Sarıoğlu, Ahmet Yazıcı, Trafik Ağlarında Anomali Tespiti , The Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University 26(5), 132-138, 2018.
Çetin Kaya, Oktay Yıldız, Performance Analysis of Machine Learning Techniques in Intrusion Detection, ResearchGate Conference Paper, 2016.
Vitaly Ford, Applications of Machine Learning in Cyber Security, Conference Paper, 2014.
Teik-Toe Teoh, Yok-Yen Nguwi, Yuval Elovici, Wai-Loong Ng and Soon-Yao Thiang, Analyst Intuition Inspired Neural Network Based Cyber Security Anomaly Detection.
Kallol Krishna Karmakar, Vijay Varadharajan, Uday Tupakula, Surya Nepaly, Chandra Thapa Towards a Security Enhanced Virtualised Network Infrastructure for Internet of Medical Things (IoMT), 6th IEEE International Conference on Network Softwarization, 2020.
Jean Paul, A. Yaacoub, Mohamad Noura, Hassan N. Noura, Ola Salman, Elias Yaacoub, Raphaël Couturier, Ali Chehab, Securing internet of medical things systems: Limitations, issues and recommendations, Future Generation Computer Systems 105 581–606, 2020.
Mohammad Wazid, Ashok Kumar Das, Joel J. P. C. Rodrıgues, Sachin Shetty, Youngho Park, MT Malware Detection Approaches: Analysis and Research Challenges, Digital Object Identifier 10.1109/Access.2017.Doi.
Kerim Can Kalıpcıoğlu, Cengiz Toğay, Esra Nergis Yolaçan, Son Kullanıcılar İçin Anomali Saldırı Tespit Sistemleri, Journal of Engineering and Architecture Faculty of Eskisehir Osmangazi University 27(3),199-212, 2019.
E. U. Küçüksille, N. Ateş, Destek Vektör Makineleri ile Yaramaz Elektronik Postaların Filtrelenmesi.
T. Subbulakshmi, S. M. Shalinie, and A. Ramamoorthi, Detection and Classification of DDoS Attacks using Machine Learning Algorithms, European Journal of Scientific Research, ISSN 1450-216X, Volume 47, No. 3, pp. 334 – 346, 2010.
H. Sedjelmaci, and M. Feham, Novel Hybrid Intrusion Detection System for Clustered Wireless Sensor Network, International Journal of Network Security & Its Applications (IJNSA), Vol.3, No.4, July 2011.
Mohammed Ali Al-Garadi, Amr Mohamed, Abdulla Al-Ali, Xiaojiang Du, Mohsen Guizani, A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security-Project: Novel Deep Learning Architecture for Physical Activities assessment, mental Resilience and Emotion Detection, July 2018
Shikha Agrawal, Jitendra Agrawal, Survey on Anomaly Detection using Data Mining Techniques, 19th International Conference on Knowledge Based and Intelligent Information and Engineering Systems, Procedia Computer Science 60 708 – 713, 2015
David J. Hill, Barbara S. Minsker, Eyal Amir, Real-Time Bayesıan Anomaly Detection For Environmental Sensor Data.
Mayank Swarnkar, Neminath Hubballi , OCPAD: One class Naive Bayes classifier for payload based anomaly detection, Expert Systems with Applications Volume 64, , Pages 330-339, Aralık 2016.
Abdulkadir Şeker, Banu Diri, Hasan Hüseyin Balık, Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi 2017, 3(3): 47-64.
Furkan Balci, Zeki Oralhan, LSTM ile EEG Tabanlı Kimliklendirme Sistemi Tasarımı, European Journal of Science and Technology Special Issue, pp. 135-141, 2020.
Alex Graves, Jürgen Schmidhuber, Offline Handwriting Recognition with Multidimensional Recurrent Neural Networks
Karim Lounis And Mohammad Zulkernine, Attacks and Defenses in Short-Range Wireless Technologies for IoT, IEEE Access April 11, 2020.
Mohammad Nikravan, Ali Movaghar, Mehdi Hosseinzadeh, A lightweight signcryption scheme for defense against fragment duplication attack in the 6LoWPAN networks, Springer Science+Business Media, LLC, part of Springer Nature, 2018.
Laura Vigoya, Diego Fernandez, Victor Carneiro, Fidel Cacheda, Annotated Dataset for Anomaly Detection in a Data Center with IoT Sensors, Sensors, 20(13), 3745, 2020.