durum

Taslak

yıl

2026

tür

Literature review

Özet

Bu literatür incelemesi, Nesnelerin İnterneti ortamlarında ağ anomali tespiti ve saldırı tespiti için kullanılan makine öğrenmesi modellerini ele almaktadır. Çalışma, akıllı evler, sağlık, ulaşım, endüstriyel otomasyon ve veri odaklı birçok alanda yaygınlaşan IoT sistemlerinin ortaya çıkardığı güvenlik sorunlarından hareket eder. Birçok IoT cihazı sınırlı işlem gücü, bellek ve enerji kapasitesine sahip olduğu için güçlü yerleşik güvenlik mekanizmalarına her zaman sahip değildir; bu durum onları DDoS saldırıları, zararlı yazılımlar, veri ihlalleri ve yetkisiz erişim gibi tehditlere karşı daha savunmasız hâle getirir. İnceleme, ağ trafiğindeki olağan dışı davranışları belirlemek için makine öğrenmesi ve derin öğrenme kullanan güncel yaklaşımları değerlendirir; Karar Ağaçları, Random Forest, K-En Yakın Komşu ve XGBoost gibi denetimli modellerin yanı sıra CNN-RNN tabanlı hibrit modelleri ve autoencoder, karşılaştırmalı öğrenme ve transformer yapılarından yararlanan öz-denetimli öğrenme yaklaşımlarını kapsar. Makale, bu yaklaşımları yöntem, güçlü yönler, sınırlılıklar ve değerlendirme metrikleri açısından karşılaştırır. Random Forest ve XGBoost gibi modellerin etkili ön işleme ve özellik seçimiyle yüksek doğruluk sağlayabildiğini, derin öğrenme yöntemlerinin ise ağ trafiğindeki daha karmaşık uzamsal ve zamansal örüntüleri yakalayabildiğini gösterir. Bununla birlikte çalışma, etiketli veri kümelerine bağımlılık, veri dengesizliği, yüksek hesaplama maliyeti, eğitim karmaşıklığı ve gelişmiş modellerin kaynak kısıtlı IoT cihazlarında uygulanma zorluğu gibi önemli sınırlılıkları da vurgular. İnceleme, gelecekteki çalışmaların dinamik IoT ortamlarında verimli şekilde çalışabilen, güvenilir tespit performansını koruyan, hafif, uyarlanabilir ve ölçeklenebilir tespit modellerine yönelmesi gerektiği sonucuna ulaşır.