NOVEL CYBER SECURITY APPROACHES USING DEEP LEARNING METHODS FOR IOT SOLUTIONS

Abstract

Gelişmekte olan Nesnelerin İnterneti (IoT), akıllı ortamları, endüstriyel sistemleri ve kritik altyapıyı dönüştürmüştür. Ancak bu yaygınlaşma ile birlikte, cihaz çeşitliliği, sınırlı hesaplama kapasiteleri ve büyük veri akışı nedeniyle birçok zorlu siber güvenlik sorunu ortaya çıkmıştır. Bu tez, IoT ağlarında anomali tespiti ve dayanıklılığı artırmak amacıyla hem klasik makine öğrenmesi hem de derin öğrenme ilkelerini kullanan yeni siber güvenlik yaklaşımlarını incelemekte ve önermektedir. Bu çalışmada, karar ağaçları, destek vektör makineleri (SVM) ve rastgele ormanlar gibi geleneksel makine öğrenmesi modelleri, siber saldırılarda anomali tespiti amacıyla kapsamlı bir şekilde ele alınmaktadır. Bu modeller, özellikle uç (edge) sistemler bağlamında temel doğruluk ve verimlilik düzeylerini belirlemek amacıyla kıyaslama veri kümeleri üzerinde test edilmiştir. Bu gözlemler doğrultusunda tez, IoT güvenliği için iki derin öğrenme modelinin tasarımını sunmaktadır. İlk olarak, sınırlı kaynaklara sahip uç cihazlarda gerçek zamanlı anomali tespiti yapmak üzere hafif bir Tam Bağlantılı Sinir Ağı (FCNN) önerilmiştir. Bu model yüksek doğruluk sunarken düşük hesaplama gücü gerektirir. İkinci olarak, IoT trafiğinin zamansal ve mekansal özelliklerini yakalayabilen hibrit bir CNN-LSTM ağı sunulmuştur. Modelin etkinliği, N-BaIoT ve SWaT veri kümelerinin siber-fiziksel yapılarını birleştirerek oluşturulan yeni bir çapraz alan veri kümesi olan CPIoT-XAD2025 üzerinde gösterilmiştir. Tüm modeller doğruluk, F1 skoru, geri çağırma (recall) ve ortalama mutlak hata (MAE) gibi metriklerle değerlendirilmiştir. Önerilen mimarilerin daha iyi görev uyumu sağladığı ve alanlar arasında yüksek genelleme kabiliyeti gösterdiği ampirik olarak ortaya konulmuştur. Bu tez, çağdaş IoT sistemlerinin özgün zorluklarını ele almak üzere ölçeklenebilir, yorumlanabilir ve alana uyarlanabilir anomali tespiti yaklaşımları sunarak, akıllı ve güvenli siber-fiziksel altyapı için gelecekteki çalışmalara sağlam bir temel oluşturmaktadır.

The emerging Internet of Things (IoT) has transformed the smart environment, industrial systems, and critical infrastructure. However, with this proliferation, numerous challenging cybersecurity issues have emerged due to device diversity, constrained computing capabilities, and a massive flow of data. This thesis explores and proposes new cybersecurity approaches that utilise both classical machine learning and deep learning principles to enhance anomaly detection and robustness in IoT networks. Traditional machine learning models, such as decision trees, support vector machines, and random forests, for anomaly detection in cyber attacks are extensively reviewed in this work. These models are tested on benchmark datasets to establish baseline accuracy and efficiency, particularly in edge scenarios. Based on the above observations, the dissertation presents the design of two deep learning models for IoT security. First, a lightweight FCNN is proposed to detect anomalies in real time on resource-constrained edge devices. Such a model exhibits high accuracy and requires minimal computational effort. Second, we present a hybrid CNN-LSTM network to capture the spatial and temporal features of the IoT traffic. We illustrate the effectiveness of the model by demonstrating its performance on CPIoT-XAD2025, a new cross-domain dataset constructed by combining the N-BaIoT and SWaT datasets in two cyber-physical configurations. All models are then evaluated using accuracy, F1 score, recall, and mean absolute error (MAE). We empirically demonstrate that the proposed architectures achieve better task conditioning and exhibit excellent generalisation across domains. This thesis presents scalable, interpretable and domain-adaptive anomaly detection approaches to address the specific challenges of contemporary IoT systems, providing a basis for future work in intelligent and secure cyber-physical infrastructure.