Medikal nesnelerin internetine yönelik siber tehditler için yapay zeka destekli saldırı tespit sisteminin geliştirilmesi

Abstract

Medikal Nesnelerin Interneti (IoMT) kavramı, insan sağlığının ve yaşam kalitesinin sürdürülebilir olmasında kritik bir öneme sahiptir. Fakat bu teknoloji, sağlık hizmetleri alanında bir devrim yaratmış olsa da, IoMT cihazlarının sahip olduğu sınırlı sistem kaynakları ve bu cihazların internete bağlı olması gibi durumlar, bu cihazları siber saldırılara karşı savunmasız bir hale getirmektedir. Bu tez çalışmasında, IoMT cihazlarına yönelik siber saldırıların tespiti ve sınıflandırılması için CICIoT2023 veri seti kullanılarak makine öğrenmesi tabanlı bir mimari önerilmiştir. Modelin analizi sürecinde DDoS, Botnet, XSS, MITM ve keşif saldırıları olmak üzere geniş saldırı çeşitliliği bulunmaktadır. Bu saldırıların tespiti için literatürde en yaygın ve güçlü modeller olan XGBoost, Rastgele Orman, Karar Ağaçları, Doğrusal SVM ve Lojistik Regresyon algoritmaları kullanılmıştır. Yapılan deneyler sonucunda, en yüksek sınıflandırma oranının %82.10 doğruluk oranı ile Rastgele Orman algoritması ve en düşük sınıflandırma oranını ise %51.48 doğruluk oranı ile Doğrusal SVM algoritması göstermiştir. Yapılan tez çalışmasının, IoMT alanında çalışacak olan araştırmacılara hangi makine öğrenmesi modelinin kullanılması konusunda ışık tutması amaçlanmıştır.

Internet of Medical Things (IoMT) concept is critically important for the sustainability of human health and quality of life. However, while this technology has revolutionized healthcare, the limited system resources of IoMT devices and their internet connectivity make them vulnerable to cyberattacks. In this study, a machine learning-based architecture is proposed for the detection and classification of cyberattacks targeting IoMT devices using the CICIoT2023 dataset. The model analysis process included a wide variety of attacks, including DDoS, Botnet, XSS, MITM, and reconnaissance attacks. The most common and powerful models in the literature, such as XGBoost, Random Forest, Decision Trees, Linear SVM, and Logistic Regression algorithms, were used for their detection. Experimental results showed that the Random Forest algorithm achieved the highest classification accuracy rate at 82.10%, while the Linear SVM algorithm showed the lowest at 51.48%. The aim of this thesis is to provide guidance to researchers working in the field of IoMT regarding which machine learning model to use.