Cyber threats are a showstopper for Internet of Things (IoT) which has recently gained popularity. Network layer attacks on IoT can cause significant disruptions and loss of information. Among such attacks, routing attacks are especially hard to defend against because of the ad-hoc nature of IoT systems and resource constraints of IoT devices. Hence a an efficient approach for detecting and predicting IoT attacks is needed. For the security of IoT, detecting malicious attacks is vital to avoid of unintended consequences such as lack of availability, integrity and confidentiality. For secure IoT needs a system that is able to robust detection against routing attacks. We propose a deep-learning based for continuous security monitoring analysis for IoT. Application of deep learning for cyber-security in IoT requires the availability of substantial IoT attack data, however the lack of IoT attack data is an important issue. In our study, the Cooja IoT simulator has been utilized for generation of high-fidelity attack data, within IoT networks ranging from up to 1000 nodes. We propose a highly scalable, deep-learning based attack detection methodology for detection of IoT routing attacks with high accuracy and precision.

Son zamanlarda önemi hızla artan nesnelerin internetin için siber saldırıların da önemi hızla artmaktadır. Nesnelerin internetine, ağ katmanında yapılacak saldırılar veri kay- bına ve bölünmesine yol açabilmektedir. Siber saldırılar içerisinde yönledirme saldırıları, nesnelerin internetinin yapısı ve kaynak kısıtları sebebiyle, savunmasını hayli zordur. Bu sebeple nesnelerin internetine yönelik saldırıları tespit edecek bir yönteme ihtiyaç vardır. Nesnelerin internetini izlemek ve analiz etmek, kötücül saldırıları öngörmek, beklenmeyen durumlara ayak uydurmak, önlemler almak, hassas verileri korumak ve kayıpları azalt- mak için hayati önem arz etmektedir. Biz, derin öğrenme tabanlı bir güvenlik sistemi sunuyoruz. Derin öğrenme çalışmalarının en önemli kısıtlarından biri olan veri seti ek- sikliğini gidermek için Cooja simülatörü ile ürettiğimiz ve hazırladığımız veri setini de çalışmamızın ek ürünü olarak sunuyoruz. Veri setimiz 1000'e varan düğümlü kablosuz sensör ağlarını içeriyor. Bunun yanı sıra, ölçeklendirilebilir derin öğrenme tabanlı yön- lendirme atak tespit modelleri ile nesnelerin interneti için sağlam bir güvenlik sunuyoruz.