Kodaz, HalifeTürkay, Ekrem2025-09-102025-09-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=5NNqZKwwGohPh6_KCcfp-vlrJz3lqonxFVYhuKx28CU90KAybTqpuP_E8aMX8WA8https://hdl.handle.net/20.500.13091/10771Nesnelerin İnterneti (IoT) teknolojilerinin hızla yaygınlaşması, bu sistemlere yönelik siber saldırı risklerini de beraberinde getirmektedir. Özellikle sınırlı işlem gücüne ve güvenlik önlemlerine sahip IoT cihazları, DDoS saldırıları ve diğer siber tehditler karşısında savunmasız hale gelmekte, bu da hizmet kesintilerine ve kritik altyapıların zarar görmesine neden olabilmektedir. Bu çalışmada, IoT ortamlarında meydana gelen siber saldırıların tespit edilmesi ve analiz edilmesi amacıyla CICIoT2023 veri seti kullanılarak çeşitli makine öğrenmesi ve derin öğrenme algoritmalarının performansları değerlendirilmiştir. Lojistik Regresyon (LR), Karar Ağaçları (KA), Naive Bayes (NB), K-En Yakın Komşular (KEYK), Rasgele Orman (RO), Gradyan Artırma (GA), Aşırı Gradyan Artırma (AGA), Yapay Sinir Ağları (YSA), Uzun Kısa Süreli Bellek (UKSB), Tekrarlı Sinir Ağları (TSA) ve Evrişimli Sinir Ağları (ESA) gibi modeller kullanılarak, saldırı tespitindeki etkinlikleri karşılaştırılmıştır. Elde edilen sonuçlar, yapay zekâ ve makine öğrenmesi tabanlı yaklaşımların IoT sistemlerinde siber tehditleri tespit etmede etkili olduğunu göstermektedir. Çalışma, IoT güvenliğini artırmaya yönelik daha güçlü savunma mekanizmalarının geliştirilmesine katkı sağlamayı ve gelecekteki araştırmalar için yol gösterici olmayı amaçlamaktadır.The rapid proliferation of Internet of Things (IoT) technologies has also increased the risk of cyber attacks targeting these systems. IoT devices, which often have limited processing power and security measures, are vulnerable to DDoS attacks and other cyber threats, leading to service disruptions and damage to critical infrastructures. In this study, various machine learning and deep learning algorithms were evaluated using the CICIoT2023 dataset to detect and analyze cyber attacks in IoT environments. Models such as Logistic Regression (LR), Decision Trees (DT), Naive Bayes (NB), K-Nearest Neighbors (KNN), Random Forest (RF), Gradient Boosting (GB), Extreme Gradient Boosting (XGBoost), Artificial Neural Networks (ANN), Long Short-Term Memory (LSTM), Recurrent Neural Networks (RNN) and Convolutional Neural Networks (CNN) were compared in terms of their effectiveness in attack detection. The results indicate that AI and machine learning-based approaches are effective in identifying cyber threats in IoT systems. This study aims to contribute to the development of more robust security mechanisms for IoT environments and serve as a guide for future research.trBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBilim ve TeknolojiBilgisayar AğlarıBilgisayar GüvenliğiComputer Engineering and Computer Science and ControlScience and TechnologyComputer NetworksComputer SecurityMaster Thesis