İNSANSIZ HAVA ARAÇLARINDA YENİLİK TABANLI İZİNSİZ GİRİŞ TESPİTİ

Abstract

Bu çalışma, yenilik tabanlı izinsiz girişler neticesinde oluşacak arızaların veya anormalliklerin tespiti için farklı makine öğrenmesi yöntemlerinin performansını değerlendirmeyi amaçlamaktadır. Motor, kanatçık, dümen ve asansör arızaları üzerinde odaklanılarak, tek sınıflı-destek vektör makineleri (OC-SVM), tek sınıflı-rastgele orman algoritması (OC-RF), yerel aykırılık faktörü algoritması (LOF) ve otomatik kodlayıcı (Autoencoder) yöntemleri kullanılmış ve sonuçlar doğruluk, hassasiyet, duyarlılık ve F-skor metrikleriyle değerlendirilmiştir. OC-SVM yöntemi motor, kanatçık, dümen ve asansör arızaları için oldukça başarılı bir performans ortaya koymuştur. Bu yöntemde, tüm performans metrikleri 1 değerini alarak arızaları tespit etme konusunda yüksek bir doğruluk ve etkinlik sağlamıştır. Benzer şekilde, OC-RF yöntemi de motor, kanatçık, dümen ve asansör arızalarının tespitinde yüksek bir performans sergilemiştir. Tüm metriklerin 1 değerine sahip olması, bu yöntemin de arıza tespiti için güvenilir bir seçenek olduğunu göstermektedir. LOF yöntemi, diğer yöntemlere kıyasla biraz daha düşük bir performans sergilese de yine de başarılı sonuçlar vermiştir. Motor, kanatçık, dümen ve asansör arızaları için doğruluk, hassasiyet, duyarlılık ve F-skor metrikleri diğer yöntemlere göre biraz daha düşük değerlere sahiptir. Bu değerler 0,998 olarak elde edilmiştir. Otomatik kodlayıcı yöntemi ise tüm arıza türleri için OC-SVM ve OC-RF yöntemleriyle benzer sonuçlar elde etmiştir. Doğruluk, hassasiyet, duyarlılık ve F-skor metrikleri 1 olarak hesaplanmış ve böylece bu yöntemin arıza tespitindeki başarısı ve güvenilirliği kanıtlanmıştır. Sonuç olarak, yapılan bu çalışma motor, kanatçık, dümen ve asansör arızalarının tespiti için farklı makine öğrenimi yöntemlerinin etkisini değerlendirmiştir. OC-SVM, OC-RF ve Autoencoder yöntemleri tam performans sergilerken, LOF yöntemi diğer yöntemlerden biraz daha düşük bir performansa sahip olmuştur. Bu sonuçlar, arıza tespiti için farklı yöntemlerin değerlendirilmesi ve seçiminde rehberlik sağlamaktadır. Gelecekteki çalışmalar, daha geniş veri kümeleri ve yeni özelliklerin eklenmesi gibi faktörlerin etkisini değerlendirebilir ve arıza tespit sistemlerinin daha da geliştirilmesine katkıda bulunabilir. Tez çalışması, arıza tespiti alanında çalışan araştırmacılar ve endüstri uzmanları için faydalı bir kaynak olabilir ve daha ileri çalışmalara ilham verebilir. Anahtar Kelimeler: İnsansız hava araçları, Yenilik tabanlı izinsiz giriş tespiti, Makine öğrenmesi, Tek sınıflı sınıflandırıcı.

This study aims to evaluate the performance of different machine learning methods for the detection of faults or anomalies due to novelty-based intrusions. Focusing on engine, aileron, rudder, and elevator faults, single-class-support vector machines (OC-SVM), single-class-random forest algorithm (OC-RF), local outlier factor algorithm (LOF) and autoencoder (Autoencoder) methods are used and the results are evaluated with accuracy, precision, sensitivity and F-score metrics. The OC-SVM method performed very well for engine, aileron, rudder and elevator faults. In this method, all performance metrics took the value of 1, providing high accuracy and efficiency in detecting faults. Similarly, the OC-RF method also showed a high performance in detecting engine, aileron, rudder and elevator failures. The fact that all metrics have a value of 1 indicates that this method is also a reliable option for fault detection. Although the LOF method showed a slightly lower performance compared to the other methods, it still gave successful results. The accuracy, sensitivity, precision, sensitivity and F-score metrics for engine, aileron, rudder and elevator faults have slightly lower values than the other methods. These values were obtained as 0.998. Autoencoder method obtained similar results with OC-SVM and OC-RF methods for all failure types. Accuracy, precision, sensitivity and F-score metrics were calculated as 1, thus proving the success and reliability of this method in fault detection. In conclusion, this study evaluated the effect of different machine learning methods for engine, aileron, rudder and elevator fault detection. The OC-SVM, OC-RF and Autoencoder methods performed well, while the LOF method had a slightly lower performance than the other methods. These results provide guidance in the evaluation and selection of different methods for fault detection. Future work can evaluate the impact of factors such as larger datasets and the addition of new features and contribute to the further development of fault detection systems. The thesis work can be a useful resource for researchers and industry experts working in the field of fault detection and can inspire further work. Keywords: Unmanned aerial vehicles, Novelty-based intrusion detection, Machine learning, One-class classifier.