OTONOM ARAÇLARA YÖNELİK SİBER SALDIRILARIN TESPİTİ İÇİN YAPAY ZEKA DESTEKLİ SALDIRI TESPİT SİSTEMİNİN GELİŞTİRİLMESİ

Abstract

Teknolojinin gelişmesi, hayatın her alanında toplumların konfor ve refah seviyesini artırmaktadır. Bu gelişim, başta ulaşım olmak üzere çeşitli alanlarda karşımıza çıkmaktadır. Bu doğrultuda akıllı sistemlerin otomobillere entegrasyonuyla beraber otonom araçların yaygınlaşması sağlanmıştır. Otonom araçların kendi sistem ve ağlarına sahip olması, otonom araçlara yönelik yapılabilecek siber saldırıların da önünü açmıştır. Bu tür saldırıların genellikle üç amacı bulunmaktadır. Bunlar, sisteme sızarak sistem bileşenlerinin kontrolünü ele geçirmek, sistem ağına yük bindirerek sistemin yavaş çalışmasına sebebiyet vermek ve sistemin çökmesini sağlamaktır. Otonom araçlara yönelik siber saldırıların bu tür ciddi sonuçlarının olması, otonom araçların siber saldırılara karşı korunmasını sağlayacak güvenlik tedbirlerinin alınmasını zorunlu kılmıştır. Bu tez çalışmasında, akıllı araçların araç içi ağlarına yönelik gerçekleştirilen siber saldırıların makine öğrenmesi modelleri kullanılarak tespiti gerçekleştirilmiştir. Simülasyon ortamı oluşturularak siber saldırılar gerçekleştirilmiş ve veri seti oluşturulmuştur. Ardından veri seti, XGBoost, LightGBM, Rastgele Orman ve Karar ağaçları algoritmaları ile sınıflandırılarak performans karşılaştırmaları yapılmıştır. Yapılan deneyler sonucunda en iyi doğruluk oranını %86.22 ile XGBoost verirken, en düşük doğruluk oranını ise %80.7 ile Karar Ağaçları algoritması vermiştir. Yapılan tez çalışmasının, akıllı araç güvenlik uzmanlarının siber tehditleri engelleme çalışmalarına katkıda bulunacağı ve akıllı araç siber güvenliği hakkındaki farkındalığı artıracağı düşünülmektedir.The development of technology increases the comfort and welfare of societies in every area of life. This development is encountered in various areas, especially transportation. In this direction, the widespread use of autonomous vehicles has accelerated with the integration of smart systems into automobiles. The fact that autonomous vehicles have their own systems and networks has also paved the way for cyber attacks that can be carried out against autonomous vehicles. Such attacks generally have three purposes. These are to infiltrate the system and take control of system components, to cause the system to work slowly by putting a load on the system network and to cause the system to crash. The serious consequences of cyber attacks against autonomous vehicles have necessitated the adoption of security measures that will protect autonomous vehicles against cyber attacks. In this thesis, the detection of cyber attacks on the in-vehicle networks of smart vehicles was carried out using machine learning models. Cyber attacks were carried out by creating a simulation environment and a data set was created. Then, the data set was classified with XGBoost, LightGBM, Random Forest and Decision Tree algorithms and performance comparisons were made. As a result of the experiments, XGBoost gave the best accuracy rate with %86.22, while the Decision Trees algorithm gave the lowest accuracy rate with %80.7. It is thought that the thesis study will contribute to the efforts of smart vehicle security experts to prevent cyber threats and increase awareness about smart vehicle cyber security.