NESNELERİN İNTERNETİ TEMELLİ AKILLI ŞEBEKELERDE GÜVENLİK ZAFİYETLERİNİN TESPİTİ VE ÇÖZÜMÜNE YÖNELİK YENİ YAKLAŞIMLARIN GELİŞTİRİLMESİ

Abstract

Nesnelerin interneti uygulamaları sayesinde geleneksel elektrik şebekelerinin daha etkin kullanımı için akıllı şebeke sistemleri geliştirilmiştir. Birçok avantajına rağmen akıllı şebeke uygulamaları, iletişim altyapılarının doğasından kaynaklı zafiyetlerden dolayı siber saldırılara maruz kalabilmektedir. Bu siber saldırılar hem şahısları hem de toplumları olumsuz yönde etkileyebilmektedir. Dolayısıyla bu siber saldırıların yapısını anlamak ve bunların çözümüne yönelik yapay zeka temelli yöntemler geliştirmek son derece önemlidir. Düşük faturalandırma için enerji hırsızlığını amaçlayan siber atakların tespit edilmesi, akıllı şebeke uygulamalarının yaygınlaşmasında enerji sağlayıcılar için çözülmesi gereken önemli bir problemdir. Veri odaklı çalışan makine öğrenmesi yöntemlerinin hibrit kullanımı, problemin çözümüne yönelik tatmin edici sonuçlar sağlamaktadır. Bu tez çalışmasında, nesnelerin interneti temelli akıllı şebekelere yapılan siber saldırı türleri ağ katmanlarına göre detaylıca incelenmiş, olası tehditler ve potansiyel çözüm önerileri ortaya konulmuştur. Daha sonra akıllı şebekelerde güvenlik zafiyetlerinin tespiti ve çözümüne yönelik yapay zeka temelli iki yaklaşım önerilmiştir. İlk olarak akıllı şebekelerde kullanıcı tüketim kalıpları üzerinden enerji hırsızlığı tespiti için dengeli ve dengesiz verisetleri kullanılarak derin öğrenme tabanlı bir yaklaşım geliştirilmiştir. Derin Sinir Ağı (Deep Neural Network - DNN) tabanlı olan bu yaklaşımda iki farklı saldırı vektörünün birisinin tespitinde %97.46'lık bir başarım elde edilmiştir. İkinci olarak, akıllı şebekelerde dengeli verisetlerinden enerji hırsızlığının tespiti için Evrişimsel Sinir Ağı (Convolutional Neural Network - CNN) tabanlı hibrit yöntemler geliştirilmiş, başarım oranı %95.34 olan CNN+LR yaklaşımı önerilmiştir. Önerilen bu yaklaşım ile akıllı sayaçlar tarafından üretilen tüketim verilerini siber ataklar ile gerçeğinden daha düşük göstermek isteyen kötü niyetli kullanıcıların tespiti başarıyla sağlanmıştır. Bu çalışmada, dürüst kullanıcı verilerine altı farklı saldırı vektörü uygulanmış ve böylece tahrif edilmiş tüketim verileri sentetik olarak oluşturulmuştur. Her bir saldırı vektörünün tespiti için beş farklı derin öğrenme tabanlı hibrit model uygulanmıştır. Veri dengesizliği sorununu çözmek için bu alanda neredeyse hiç kullanılmamış olan Çekişmeli Üretken Ağ (Generative Adversarial Network - GAN) yöntemi kullanılmıştır.Thanks to the Internet of Things applications, smart grid systems have been developed for more efficient use of traditional electricity grids. Despite its many advantages, smart grid applications can be exposed to cyber-attacks due to the inherent vulnerabilities of communication infrastructures. These cyber-attacks can negatively affect both individuals and societies. Therefore, it is crucial to understand the nature of these cyber-attacks and develop artificial intelligence-based methods to solve them. Detecting cyber-attacks that aim to steal energy for low billing is an important problem to be solved for energy providers in the deployment of smart grid applications. The hybrid usage of data-driven machine learning methods provides satisfactory results for solving the problem. In this thesis, the types of cyber-attacks on the Internet of Things based smart grids are analyzed in detail according to network layers, possible threats and potential solutions are presented. Furthermore, two artificial intelligence-based approaches are proposed for the detection and solution of security vulnerabilities in smart grids. Firstly, a deep learning-based approach has been developed for energy theft detection using balanced and imbalanced datasets derived from user consumption patterns in smart grids. The proposed Deep Neural Network (DNN)-based approach achieves a success rate of 97.46% in detecting one of the two different attack vectors. Secondly, Convolutional Neural Network (CNN) based hybrid methods were developed for the detection of energy theft from balanced datasets in smart grids, and a CNN+LR approach with a success rate of 95.34% was proposed. With this proposed approach, malicious users who want to underestimate the consumption data generated by smart meters through cyber-attacks are successfully detected. In this study, six different attack vectors are applied to the honest user data to synthetically generate falsified consumption data. Five different deep learning based hybrid models are applied for the detection of each attack vector. In order to solve the data imbalance problem, the Generative Adversarial Network (GAN) method, which has almost never been used in this field, is used.