Giriş
Nesnelerin İnterneti (IoT), bağlantılı cihazların veri üretip paylaşmasını sağladı.
Güvenlik açıkları, IoT cihazlarının her birinin birer saldırı noktası olmasından kaynaklanıyor.
Geleneksel güvenlik mekanizmaları, kaynak kısıtlamaları nedeniyle etkisiz kalıyor.
Makine Öğrenimi ve Federated Learning
Makine öğrenimi, IoT güvenliğini artırmak için etkili bir araç olarak ortaya çıktı.
Federated Learning (FL), merkezi sunucuda veri paylaşımını önlerken, model eğitimi sağlar.
HFEL, gizliliği korurken yüksek doğruluk oranı sunuyor.
Yöntem ve Çerçeve
HFEL, Random Forest, XGBoost ve Multi-Layer Perceptron (MLP) modellerini birleştiriyor.
Dinamik bir öğrenme süreci ile (F-MLP) yerel model eğitimi yapılıyor.
Model performansı, çoğunluk oylama mekanizması ile güçlendiriliyor.
Deneysel Sonuçlar
HFEL’in BoT-IoT datasetinde %99.94 ve Edge-IIoT datasetinde %97.53 doğruluk sağladığı bulunmuştur.
Bireysel modellerin enseble edilmesi, soğuk başlangıç sorununu aşıyor.
HFEL, ağ ölçeklendirmesi konusunda tutarlılığı sağlıyor.
Gelecek Araştırmalar ve Sonuç
HFEL, model tersine çevirme saldırılarına karşı dayanıklılığı artırmayı hedefliyor.
Federated Learning ve ensemble yöntemlerinin entegrasyonu, güvenliği artırmayı vaat ediyor.
Bülten, suçluluk profilleme ve siber güvenlik alanındaki potansiyel uygulamalara dikkat çekiyor.
Giriş
IoT (Nesnelerin İnterneti) ağlarının güvenliği, artan siber tehditler nedeniyle önem kazanmaktadır.
Çeşitli derin öğrenme yöntemleri, siber saldırıları algılamak için kullanılmaktadır.
Derin Öğrenme Tabanlı Çözümler
CNN (Convolutional Neural Network), IoT ağlarında güvenlik tehditlerini tespit etmek için verimli bir yöntemdir.
LSTM (Long Short-Term Memory) tabanlı yaklaşımlar, akıllı evlerde intrüzyon tespiti için kullanılmaktadır.
Federatif Öğrenme Yaklaşımları
Federatif öğrenme, IoT ağlarında güvenlik için dağıtık bir öğrenme modeli sunar.
Merkezi, cihaz içi ve federatif öğrenme arasındaki farklar, intrüzyon tespiti sistemleri için ayrı avantajlar sağlar.
Gelişmiş Modelleme ve Ensemble Yöntemleri
Birden fazla derin öğrenme modelinin kombinasyonu, daha doğru tespitler için kullanılmaktadır.
Ensemble yöntemleri, tahmin performansını artırmak için birleşik teknikleri içerir.
Sonuç ve Gelecek Yönelimler
Araştırmalar, IoT güvenliği için sürekli olarak yeni model ve yaklaşımlar geliştirmektedir.
Gelecekte, daha karmaşık saldırılara karşı daha etkili ve güvenli sistemler tasarlamak için çalışmalar devam edecektir.
Install Browsy