Makine Öğrenmesi Algoritmaları Kullanarak RPL Tabanlı Yönlendirme Saldırılarının Tespiti

Aydın B., Aydın H., Görmüş S., Mollahasanoğlu E.

Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, cilt.15, sa.4, ss.783-796, 2024 (TRDizin)

Özet

Bu çalışma, Nesnelerin İnterneti (IoT) uygulamalarında yaygın olarak kullanılan bir yönlendirme protokolü olan Düşük Güçlü ve Kayıplı Ağlar için Yönlendirme Protokolü'ne (RPL) karşı saldırıları tespit etmek için çeşitli makine öğrenme tekniklerini analiz etmektedir. RPL, düşük güç tüketimi ve sınırlı bant genişliği gerektiren IPv6 tabanlı IoT uygulamalarında sıklıkla kullanılmaktadır. Araştırma, RPL tabanlı ağlara yönelik saldırıları inceleyen son literatürü gözden geçirmekte ve yönlendirme saldırılarını tespit etmek için ROUT-4-2023 veri setini kullanmaktadır. Cooja simülatörü kullanılarak oluşturulan bu veri seti, dört tür yönlendirme saldırısını kapsamaktadır: Kara Delik Saldırısı, Sel Saldırısı, DODAG Sürüm Numarası Saldırısı ve Azaltılmış Sıralama Saldırısı. Saldırı türleri, makine öğrenme teknikleri kullanılarak tespit edilmektedir. Birleştirilmiş veri setinde, Karar Ağacı ve Torbalama algoritması %99,99 doğrulukla en yüksek performansı göstermiştir. Gerçek dünyanın daha doğru bir temsilini oluşturmak için, veri setine %10'luk bir gürültü seviyesi ekliyoruz. Gürültülü veri kümesinde, Rastgele Orman algoritması yaklaşık %84,80 doğrulukla en iyi performansı gösterdi. Yüksek doğruluk, kullanılan yöntemlerin IoT ağlarını korumak için bir Saldırı Tespit Sistemi (IDS) olarak etkili bir şekilde kullanılabileceğini göstermektedir. Sonuç olarak, bu çalışma, makine öğrenme tekniklerinin RPL protokolündeki yönlendirme saldırılarını tespit etmek için umut vadeden bir yaklaşım sunduğunu göstermektedir.
This study analyzes various machine learning techniques for detecting attacks against Routing Protocol for Low-Power and Lossy Networks (RPL), a routing protocol commonly used in Internet of Things (IoT) applications. RPL is often employed in IPv6-based IoT applications that require low power consumption and limited bandwidth. The research reviews recent literature examining attacks on RPL-based networks and utilizes the ROUT-4-2023 dataset for detecting routing attacks. This dataset, created using the Cooja simulator, encompasses four types of routing attacks: Blackhole Attack, Flooding Attack, DODAG Version Number Attack, and Decreased Rank Attack. The attack types are detected using machine learning techniques. In the combined dataset, the Decision Tree and Bagging algorithm exhibited the highest performance with a 99.99% accuracy. To create a more accurate representation of the real world, we incorporate a 10% level of noise into the dataset. On the noisy dataset, Random Forest algorithm performed the best with about 84.80% accuracy. The high accuracy show that the employed methods can be effectively used as an Intrusion Detection System (IDS) to protect IoT networks. As a result, this study demonstrates that machine learning techniques offer a promising approach for detecting routing attacks in the RPL protocol.