Toplum güvenliği ve kişisel mahremiyet için insansız hava aracı anomali tespiti

Abstract

Sivil İnsansız Hava Aracı (İHA) pazarı son birkaç yılda önemli ölçüde büyümüştür. Sivil İHA'ların yaygın kullanımı, yeni istihdam yaratma ve ekonomiye olumlu katkı sağlama potansiyelinin yanı sıra, kamu güvenliği ve kişisel mahremiyet açısından da çeşitli riskler taşımaktadır. Bu riskleri azaltmak için sivil İHA'ların istilacı ve kötüye kullanımını etkili bir şekilde tespit edip tanımlamaya ihtiyaç vardır. Sivil İHA'ların kamusal ortamlarda sıklıkla kullanıldığı dikkate alındığında, fiziksel tespit yöntemleri (radar, görüş ve ses gibi) birçok durumda verimsiz hale gelebilmektedir. Bu tezde şifrelenmiş WiFi trafik veri kayıtlarından makine öğrenmesi yöntemi ile İHA tespiti yöntemleri karşılaştırmalı olarak analiz edilmiştir. Bu çalışmada, Parrot Bebop I, DBPower UDI, DJI Spark İHA'larından elde edilen çift yönlü şifrelenmiş WiFi verileri ve tek yönlü şifrelenmiş WiFi verileri analiz edilmiştir. Minimum – maksimum normalizasyon yöntem ile normaliz edilmiş veri setine minimum Artıklık Maksimum Alaka (minimum Redundancy Maximum Releavance – mRMR), RelieF, ANOVA (Analysis of Variance) özellik seçim yöntemlerine uygulanmıştır. Üç farklı özellik yönteminden ayrı ayrı anlamlı özellikler hesaplanmıştır. Anlamlı özellikler ile elde edilen veri setlerine Karar Ağacı, Destek Vektör Makinesi (DVM), k–en yakın komşu (K–Nearest Neighbour – KNN) yöntemleri uygulanarak Normal İHA ve Anormal İHA sınıflandırması yapılmıştır. Sınıflandırma başarımları 5–kat çaprazlama yöntemine göre test edilmiştir. Deneysel çalışmalar sonucunda, mRmR, RelieF ve ANOVA özellik seçimlerine uygulanan çift yönlü şifrelenmiş WiFi verisi için Karar Ağacı %100 doğrulukla en başarılı yöntem olurken tek yönlü şifrelenmiş WiFi verisi için Karar Ağacı ve DVM yöntemleri başarılı olmuştur.

The civilian Unmanned Aerial Vehicle (UAV) market has grown significantly in the last few years. Civilian drones have the potential to create new jobs and contribute positively to the economy, but also pose risks to public safety and personal privacy. It is essential to effectively detect and identify the invasive and abusive use of civilian drones to mitigate these risks. The physical detection methods (such as radar, vision and sound) can become inefficient in many cases, given that civilian UAVs are frequently used in public environments. In this thesis, a comparative analysis of UAV detection methods using machine learning from encrypted WiFi traffic data records are presented. In this study, bidirectional encrypted WiFi data and unidirectional encrypted WiFi data obtained from Parrot Bebop I, DBPower UDI, DJI Spark UAVs are analyzed. Minimum Redundancy Maximum Relevance (mRMR), RelieF, ANOVA (Analysis of Variance) feature selection methods were applied to the data set normalized with the minimum–maximum normalization method. Significant features were calculated separately from three different feature methods. Decision Tree, Support Vector Machine (SVM), K–Nearest Neighbor (KNN) methods were applied to the datasets obtained with significant features to classify Normal UAVs and Abnormal UAVs. Classification performance was tested according to the 5–fold cross–validation method. As a result of the experimental studies, Decision Tree was the most successful method with 100% accuracy for bidirectional encrypted WiFi data applied to mRmR, RelieF and ANOVA feature selections, while Decision Tree and SVM methods were successful for unidirectional encrypted WiFi data.