Kablosuz Sensör Ağlarında Saldırı Tespiti İçin Makine Öğrenimiyle Bariyer Sayısı Tahmini

Öz

Kablosuz sensör ağlarında saldırı tespiti, ağ güvenliğinin sağlanması için çok önemlidir. Bu çalışma, KSA'larda etkin izinsiz giriş tespiti için gereken bariyer sayısını tahmin etme sorununa odaklanmaktadır. Amaç, KSA'lardaki güvenlik optimizasyonunu geliştirmek için doğru tahminler yapmaktır. Bu amaçla, alan boyutu, algılama aralığı, iletim aralığı ve sensör düğüm sayısı gibi parametreleri içeren bir veri seti üzerinde çeşitli regresyon modelleri (Doğrusal Regresyon, Ridge ve Lasso Regresyon, Rastgele Orman, Destek Vektör ve Gradient Boosting ) uygulandı. Modellerin performansları R2, RMSE, MAE ve MSE gibi metriklerle değerlendirildi ve 5 kat çapraz doğrulama ile doğrulandı. Sonuçlar, Doğrusal Regresyon modelinin, en düşük hata değerleri (RMSE 0.0181, MAE 0.0136 ve MSE 0.0003) ile en iyi performansı elde ettiğini ve bunu yakından Ridge Regresyonunun takip ettiğini göstermektedir. Bu bulgular, basit doğrusal modellerin bariyer gereksinimlerini doğru bir şekilde tahmin etmedeki etkinliğini vurgulayarak, kablosuz sensör ağı güvenlik altyapısının optimizasyonuna katkıda bulunmaktadır.

Anahtar Kelimeler

• Kablosuz sensör ağları
• Saldırı tespiti
• Makine öğrenimi
• Regresyon modelleri
• Bariyer tahmini

Etik Beyan

Çalışma araştırma ve yayın etiğine uygundur.

Barrier Number Estimation with Machine Learning for Intrusion Detection in Wireless Sensor Networks

Öz

Intrusion detection in wireless sensor networks is crucial for ensuring network security. This study focuses on the problem of estimating the number of barriers necessary for effective intrusion detection in WSNs. The aim is to make accurate predictions to improve security optimization in WSNs. To this end, various regression models (Linear Regression, Ridge and Lasso Regression, Random Forest, Support Vector and Gradient Boosting) were applied on a dataset including parameters such as field size, sensing range, transmission range, and the number of sensor nodes. The performance of the models was evaluated with metrics such as R2, RMSE, MAE, and MSE, and validated with 5-fold cross-validation. The results show that the Linear Regression model achieved the best performance with the lowest error values (RMSE 0.0181, MAE 0.0136, and MSE 0.0003), followed closely by Ridge Regression. These findings highlight the effectiveness of simple linear models in accurately predicting barrier requirements, supporting the optimization of WSN security systems

Anahtar Kelimeler

• Wireless sensor networks
• Intrusion detection
• Machine learning
• Regression models
• Barrier prediction

Etik Beyan

The study is complied with research and publication ethics.

Kaynakça

1. J. Yick, B. Mukherjee, and D. Ghosal, "Wireless sensor network survey," Comput. Netw., vol. 52, no. 12, pp. 2292–2330, Aug. 2008.
2. C. Okur, "Kablosuz sensör ağlarda ağ katmanında meydana gelen dos saldırılarının derin öğrenme yöntemleriyle tespit edilmesi," M.S. thesis, Gazi Univ., Inst. Sci., Dept. Inf. Security Eng., Ankara, Türkiye, Jun. 2022.
3. A. Alaybeyoğlu, A. Kantarcı, and K. Erciyes, "Telsiz duyarga ağlarında hedef izleme senaryoları," in Proc. Akademik Bilişim’09, Şanlıurfa, Türkiye, Feb. 2009, pp. 1–6.
4. B. Altun, "Kablosuz sensör ağları ve uygulama alanları," B.Sc. thesis, Karabük Univ., Fac. Eng., Dept. Mechatron. Eng., Karabük, Türkiye, 2016.
5. A. Singh, J. Amutha, J. Nagar, S. Sharma, and C. C. Lee, "LT-FS-ID: Log-transformed feature learning and feature-scaling-based machine learning algorithms to predict the k-barriers for intrusion detection using wireless sensor network," Sensors, vol. 22, no. 3, p. 1070, Jan. 2022.
6. H. Elbahadir and E. Erdem, "Kablosuz algılayıcı ağlarda hibrit saldırı tespit sistemi geliştirme," Bilgi Bilim Derg., no. Special, pp. 162–174, Oct. 2021.
7. M. Çakiroğlu and A. T. Özcerit, "Kablosuz algılayıcı ağlarda hizmet engelleme saldırılarına dayanıklı ortam erişim protokolü tasarımı," Gazi Univ. J. Sci. Eng., vol. 22, no. 4, pp. 697–707, 2007.
8. S. Salehian, F. Masoumiyan, and N. I. Udzir, "Energy-efficient intrusion detection in wireless sensor network," in Proc. 2012 Int. Conf. Cyber Secur. Cyber Warf. Digit. Forensic (CyberSec), pp. 207–212, 2012.

9. S. Kumar, T. H. Lai, and A. Arora, "Barrier coverage with wireless sensors," in Proc. ACM MOBICOM, 2005, pp. 284–298.
10. A. Singh, J. Amutha, J. Nagar, and S. Sharma, "A deep learning approach to predict the number of k-barriers for intrusion detection over a circular region using wireless sensor networks," Expert Syst. Appl., vol. 211, Jan. 2023.
11. Z. Wang, "Barrier Coverage in Wireless Sensor Networks," Ph.D. dissertation, Univ. of Tennessee, Knoxville, USA, 2014.
12. T. Sood et al., "Intrusion detection system in wireless sensor network using conditional generative adversarial network," Wirel. Pers. Commun., vol. 126, no. 1, pp. 911–931, Sep. 2022.
13. S. Özdemir, "Wireless sensor network security: A comprehensive overview," Politeknik Derg., vol. 11, no. 3, 2008.
14. R. Ahmad, R. Wazirali, and T. Abu-Ain, "Machine learning for wireless sensor networks security: An overview of challenges and issues," Sensors, vol. 22, no. 13, 2022.
15. T. Benahmed and K. Benahmed, "Optimal barrier coverage for critical area surveillance using wireless sensor networks," Int. J. Commun. Syst., vol. 32, no. 10, Jul. 2019.
16. D. E. Boubiche et al., "Cybersecurity issues in wireless sensor networks: Current challenges and solutions," Wirel. Pers. Commun., vol. 117, no. 1, pp. 177–213, Mar. 2021.
17. K. Sharma, M. Ghose, and D. Kumar, "A comparative study of various security approaches used in wireless sensor networks," Int. J. Adv. Sci. Technol., vol. 17, 2010.
18. S. Yavuz, "Regresyon analizinde doğrusala dönüştürme yöntemleri ve bir uygulama," İktisadi İdari Bilimler Derg., vol. 23, no. 1, Jan. 2009.
19. B. Arslan and İ. Ertuğrul, "Çoklu regresyon, ARIMA ve yapay sinir ağı yöntemleri ile Türkiye elektrik piyasasında fiyat tahmin ve analizi," Yönetim Ekon. Araştırmaları Derg., vol. 20, no. 1, 2022.
20. B. Arseven and S. M. Çınar, "Dünya dışı ışınımlarla iyileştirilmiş ARIMA, Ridge regresyon ve Lasso regresyon yöntemlerinin saatlik ışınım tahmininde kullanılması," Ömer Halisdemir Univ. Müh. Bilim. Derg., 2023.
21. R. Kantarcı and H. Çelik, "Transformer mimarisinde dropout oranlarının performans üzerindeki etkisi," in Proc. 1st Int. Transylvania Sci. Res. Innov. Congr., Romania, Dec. 2024.
22. K. Kaysal, E. Akarslan, and F. O. Hocaoğlu, "Türkiye kısa dönem elektrik yük talep tahmininde makine öğrenmesi yöntemlerinin karşılaştırılması," Bilecik Şeyh Edebali Univ. Fen Bilim. Derg., vol. 9, no. 2, 2022.
23. S. Göksu, B. Sezen, and Y. S. Balcıoğlu, "Makine öğrenmesi ile üretim performansı tahminlemesi," Kahramanmaraş Sütçü İmam Univ. Müh. Bilim. Derg., vol. 28, no. 1, pp. 65–79, Mar. 2025.
24. K. Büyükkanber, "Farklı katı yakıt türlerinin üst ısıl değerlerinin çoklu lineer regresyon, karar ağacı, random forest ve yapay sinir ağları yöntemleriyle belirlenmesi," M.S. thesis, İstanbul Tech. Univ., Dec. 2022.
25. Ö. Karal, "Compression of ECG data by support vector regression method," J. Fac. Eng. Archit. Gazi Univ., vol. 33, no. 2, pp. 743–755, 2018.
26. A. Han and M. Güngör, "Ridge-Robust-Boosting topluluk regresyon yaklaşımı," J. Statisticians Stat. Actuarial Sci. IDIA 17, vol. 2, pp. 30–45, 2024.
27. S. Çelik and D. Özdemir, "Rastgele orman regresyon algoritması ile bitcoin fiyat tahmini," J. Sci. Rep.-B, no. 8, Dec. 2023.
28. N. Z. Abidin, A. R. Ismail, and N. A. Emran, "Performance analysis of machine learning algorithms for missing value imputation," Int. J. Adv. Comput. Sci. Appl., vol. 9, no. 6, pp. 442–447, 2018.
29. F. Ateş and R. Şenol, "Hava araçlarında buzlanma risk derecesinin yapay zeka ile tahmin edilmesi," Int. J. 3D Print. Technol. Digit. Ind., vol. 5, no. 3, pp. 457–468, Dec. 2021.