Elastic stack ve makine öğrenmesi ile IoT güvenliği: Dos saldırılarına karşı akıllı savunma sistemi

Teknolojinin gelişmesiyle IoT cihazların kullanımı artmaktadır. Bu cihazlar, iletişim kurma ve veri toplama gibi yeteneklerle endüstriyel, sağlık, ulaşım gibi birçok alanda kullanılmaktadır. Ancak, bu cihazların artan kullanımı, siber saldırıların da artmasına neden olmaktadır. Geçmişte Mirai botnet saldırıları gibi örnekler, IoT cihazlarının güvenliğinin ne kadar kritik olduğunu göstermiştir. Bu nedenle, çalışmada Elastic Stack, makine öğrenmesi ve derin öğrenme teknolojilerinin kullanımıyla IoT cihazlarının güvenliğini artırmaya yönelik akıllı savunma sistemi geliştirilmesi amaçlanmıştır. Çalışmada Bot-IoT ve Unsw-IoT-B datasetleri kullanılarak atakların belirlenmesi üzerine yoğunlaşılmıştır. Çalışmada makine öğrenmesi yöntemlerinden random forest, Decision Tree (Information Gain), Decision Tree (Gini Index), Naive Bayes teknikleri kullanılmıştır. Derin öğrenme yöntemlerinden Lstm, Rnn ve Svm kullanılarak datasetleri üzerinde atak ve atak tipleri tespiti gerçekleştirilmiştir. Tasarlanan modelde makine öğrenmesi yöntemleriyle %0.9998 lik başarım oranları yakalanmış olup derin öğrenme yöntemleriyle %0.98 lik doğruluk oranı elde edilmiştir. Bu modelle birlikte yapay zeka destekli saldırı tespit sistemlerinin IoT cihazlarının güvenliklerinde faydalı olacağını göstermektedir.

With the development of technology, the use of IoT devices is increasing. These devices are used in many areas such as industrial, health, transportation with capabilities such as communication and data collection. However, the increasing use of these devices also leads to an increase in cyber-attacks. In the past, examples such as Mirai botnet attacks have shown how critical the security of IoT devices is. Therefore, this study aims to develop an intelligent defense system to increase the security of IoT devices by using Elastic Stack, machine learning and deep learning technologies. The study focuses on the detection of attacks using Bot-Iot and Unsw-IoT-Botnet datasets. Random forest, Decision Tree (Information Gain), Decision Tree (Gini Index), Naive Bayes techniques were used in the study. Lstm, Rnn and Svm, which are deep learning methods, were used to detect attacks and attack types on datasets. In the designed model, %0.9998 success rate was achieved with machine learning methods and %0.98 accuracy rate was achieved with deep learning methods. With this model, it shows that artificial intelligence supported intrusion detection systems will be useful in the security of IoT devices.