---
type: "Akademik Makale Analizi"
title: "Nesnelerin İnterneti Sistemlerinde Veri Dağılımı Zorluklarına Karşı Saldırı Tespitinde Federatif Öğrenme Yaklaşımlarının Karşılaştırmalı Analizi"
description: "Nesnelerin İnterneti sistemlerinin yaygınlaşması ve veri hacminin artması, geleneksel makine öğrenmesi modellerinin merkezi sunucularda eğitilmesini veri güvenliği ve gizliliği açısından sürdürülemez kılmaktadır. Bu bağlamda, model eğitimini uç cihazlara dağıtan Federatif Öğrenme yaklaşımı alternati"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/nesnelerin-interneti-sistemlerinde-veri-dagilimi-zorluklarina-karsi-saldiri-tespitinde-federatif-ogrenme-yaklasimlarinin-karsilastirmali-analizi"
doi: "10.1109/smartnets61466.2024.10577749"
authors: ["Eyad Gad", "Zubair Md Fadlullah", "Mostafa M. Fouda"]
citation: "Gad, E., Fadlullah, Z. M., Fouda, M. M. (2024). A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under Non-IID Challenges. 2024 International Conference on Smart Applications, Communications and Networking (SmartNets), 1-6. https://doi.org/10.1109/smartnets61466.2024.10577749"
publicationType: "quantitative-empirical"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 18
tags: ["Nesnelerin İnterneti", "Federatif Öğrenme", "bağımsız ve özdeş olmayan veri", "istatistiksel heterojenlik", "Saldırı Tespit Sistemi", "iskeleleme tekniği"]
timestamp: "2026-07-26T16:34:46.822Z"
---

# Nesnelerin İnterneti Sistemlerinde Veri Dağılımı Zorluklarına Karşı Saldırı Tespitinde Federatif Öğrenme Yaklaşımlarının Karşılaştırmalı Analizi

Özgün başlık: A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under Non-IID Challenges
DOI: https://doi.org/10.1109/smartnets61466.2024.10577749
Künye (APA 7): Gad, E., Fadlullah, Z. M., Fouda, M. M. (2024). A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under Non-IID Challenges. 2024 International Conference on Smart Applications, Communications and Networking (SmartNets), 1-6. https://doi.org/10.1109/smartnets61466.2024.10577749

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

Nesnelerin İnterneti sistemlerinin yaygınlaşması ve veri hacminin artması, geleneksel makine öğrenmesi modellerinin merkezi sunucularda eğitilmesini veri güvenliği ve gizliliği açısından sürdürülemez kılmaktadır. Bu bağlamda, model eğitimini uç cihazlara dağıtan Federatif Öğrenme yaklaşımı alternatif bir çözüm olarak öne çıkmaktadır. Ancak farklı cihazlardaki veri dağılımlarının birbiriyle özdeş ve bağımsız olmaması durumu, federatif öğrenme algoritmalarının başarısını doğrudan etkileyen istatistiksel heterojenlik sorununu doğurmaktadır. Mevcut literatürde, Nesnelerin İnterneti ağlarındaki saldırı tespiti bağlamında bu istatistiksel heterojenliği ele alan farklı federatif öğrenme yaklaşımlarını kapsamlı bir şekilde karşılaştıran çalışmaların eksikliği dikkat çekmektedir.

# Akademik özet

Günümüz teknolojik altyapısında Nesnelerin İnterneti cihazlarının sayısının hızla artması ve buna bağlı olarak devasa veri hacimlerinin üretilmesi, geleneksel merkezi makine öğrenmesi yaklaşımlarının veri gizliliği ve bilgi işlem kapasitesi sınırları nedeniyle yetersiz kalmasına yol açmaktadır. Bu durum, özellikle güvenlik hassasiyeti yüksek alanlarda ağ bütünlüğünü korumak için tasarlanan saldırı tespit sistemlerinin işleyişini zorlaştırmaktadır. Doğrudan merkezi sunuculara veri aktarımının riskli olması ve cihazların hesaplama kısıtları, model eğitiminin uç birimlerde gerçekleştirilmesini zorunlu kılmaktadır. Bu gereksinim doğrultusunda geliştirilen federatif öğrenme, ham verilerin merkezî bir yerde toplanmasına gerek kalmaksızın işbirlikçi model eğitimi sağlamasıyla öne çıkmaktadır.

Bununla birlikte, katılımcı cihazların yerel veri dağılımlarının birbirinden farklı ve dengesiz olması, literatürde bağımsız ve özdeş olmayan veri sorunu olarak adlandırılan istatistiksel heterojenlik problemini doğurmaktadır. Bu araştırma, söz konusu istatistiksel heterojenliğin federatif öğrenme algoritmaları üzerindeki etkilerini derinlemesine incelemek amacıyla tasarlanmıştır. Çalışmada, geniş ölçekli saldırı senaryolarını barındıran CICIoT2023 veri seti kullanılmış ve ağ trafiği özelliklerine dayanan farklı sınıflandırma senaryoları oluşturulmuştur. Yöntemsel altyapı çerçevesinde, temel federatif ortalama yaklaşımı olan FedAvg ile birlikte, yerel güncellemeleri düzenlileştirme terimiyle kontrol eden FedProx ve varyans azaltma teknikleri uygulayan Scaffold algoritmaları deneysel olarak karşılaştırılmıştır.

Deneysel bulgular, bağımsız ve özdeş veri dağılımı koşullarında test edilen algoritmaların genel olarak yüksek doğruluk oranlarına ulaştığını, ancak verilerin heterojen bir şekilde dağıldığı senaryolarda başarımın belirgin biçimde farklılaştığını ortaya koymaktadır. Özellikle bağımsız ve özdeş olmayan veri dağılımında FedAvg algoritması düşük bir doğruluk oranında kalırken, FedProx algoritması uygun bir düzenlileştirme katsayısı ile daha yüksek bir uyum yeteneği ve yakınsama performansı sergilemiştir. Scaffold algoritması ise farklı veri dağılımlarında kararlı bir yapı izlemesine rağmen, bazı deneysel metriklerde ek optimizasyonlara ihtiyaç duyan sonuçlar ortaya koymuştur. Bu sonuçlar, veri dağılımındaki dengesizliklerin modelin yakınsama hızını ve sınıflandırma başarısını doğrudan sınırladığını doğrulamaktadır.

Elde edilen bulgular, Nesnelerin İnterneti ağlarında güvenlik amacıyla kurulan federatif öğrenme sistemlerinin başarısında veri heterojenliğinin yönetilmesinin kritik bir rol oynadığını göstermektedir. Çalışma, önceki literatürde yer alan benzer sistemlerle kıyaslandığında, farklı federatif öğrenme algoritmalarının istatistiksel heterojenlik altındaki başarımını gerçekçi bir veri seti üzerinden sistematik olarak ortaya koyması bakımından literatürdeki önemli bir boşluğu doldurmaktadır. Araştırmanın sonuçları, gelecekte geliştirilecek olan ölçeklenebilir ve iletişim açısından verimli federatif saldırı tespit sistemleri için hem araştırmacılara hem de uygulamacılara yol gösterici nitelikte somut veriler sunmaktadır.

# Araştırmanın amacı

Bu araştırmanın amacı, farklı veri dağılımları altında FedAvg, FedProx ve Scaffold federatif öğrenme algoritmalarının performans nüanslarını kapsamlı bir şekilde incelemek ve büyük ölçekli Nesnelerin İnterneti saldırılarını sınıflandırmaktır.

# Yöntem ve tasarım

Bu çalışma, Nesnelerin İnterneti sistemlerinde güvenlik tehditlerine karşı merkezi olmayan model eğitimini değerlendiren nicel ve ampirik bir federatif öğrenme deseni benimsemektedir.

# Bulgular ve önermeler

1. Rastgele Orman ve Yapay Sınır Ağları sınıflandırma senaryolarında yüksek doğruluk oranları sunarken, Lojistik Regresyon ve AdaBoost yöntemleri düşük başarım sergilemiştir.
2. Bağımsız ve özdeş dağılımlı senaryoda Scaffold algoritması yüksek doğruluk oranına ulaşırken FedAvg dalgalı bir seyir izlemiştir.
3. Bağımsız ve özdeş olmayan veri koşullarında FedAvg düşük doğruluk oranında kalırken FedProx algoritması daha yüksek uyum göstermiştir.
4. FedProx algoritmasında mu parametresinin artırılması non-IID dağılım zorluklarına karşı küresel modelin başarımını ve uyum yeteneğini olumlu yönde desteklemiştir.

# Yazarın tartışması

Araştırma bulguları, farklı federatif öğrenme algoritmalarının veri dağılımındaki heterojenlikten doğrudan etkilendiğini ve ağ mimarilerinin başarım seviyelerinin değiştiğini açıkça göstermektedir. Bağımsız ve özdeş dağılımlı senaryolarda algoritmalar istikrarlı sonuçlar üretirken, veri dağılımındaki sapmalar öğrenme süreçlerini zorlaştırmaktadır.

Yazarlar, bu durumun temel nedeni olarak istemciler arasındaki sınıf dengesizliklerini ve istatistiksel farklılıkları göstermektedir. Özellikle FedProx algoritmasının L2 düzenlileştirme terimi sayesinde yerel güncellemeleri kontrol altında tutarak non-IID koşullardaki performans düşüşünü dengelediği vurgulanmaktadır.

Elde edilen deneysel sonuçlar, mevcut literatürde yer alan merkezi olmayan güvenlik yaklaşımlarını desteklemekte ve farklı algoritmaların karşılaştırmalı analizine yeni bir bakış açısı sunmaktadır. Çalışma, Nesnelerin İnterneti ağlarında gizliliği korurken saldırı tespiti yapmanın teknik imkânlarını somut verilerle doğrulamaktadır.

Sonuç olarak, federatif öğrenme tabanlı saldırı tespit sistemlerinin gerçek dünya senaryolarında güvenilir biçimde çalışabilmesi için istatistiksel heterojenlik sorunlarının aşılması gerekmektedir. Önerilen yaklaşımların optimizasyonu, gelecekteki güvenlik uygulamalarının ölçeklenebilirliğini artıracaktır.

# Yazarın sonucu

Çalışmanın sonuçları, federatif öğrenme algoritmalarının veri dağılımındaki değişimlerden etkilendiğini, özellikle non-IID ortamlarda FedProx yaklaşımının daha kararlı bir başarım sergilediğini ortaya koymaktadır.

# Literatürdeki işlevi

Bu makale, Nesnelerin İnterneti ağlarındaki saldırı tespiti süreçlerinde federatif öğrenme algoritmalarının veri dağılım biçimlerine göre gösterdiği başarım nüanslarını sistematik olarak inceleyen bir performans değerlendirme işlevi görmektedir. Çalışma, geleneksel merkezi öğrenme yaklaşımlarının gizlilik ve veri güvenliği ekseninde yaşadığı çıkmazları ortadan kaldırmak amacıyla model eğitimini uç cihazlara dağıtan mimarilerin önemini ortaya koymaktadır. Özellikle farklı istemciler arasındaki veri özelliklerinin özdeş olmamasından kaynaklanan istatistiksel heterojenlik sorununu, FedAvg, FedProx ve Scaffold algoritmaları üzerinden karşılaştırmalı bir zeminde ele alarak alanyazındaki metodolojik boşluğun doldurulmasına katkı sağlamaktadır.

Önceki çalışmalarla ilişkisi: Yazar, ağ tabanlı saldırı tespiti ve federatif öğrenme alanındaki önceki araştırmaların bulgularından hareketle, mevcut çalışmaların çoğunun istemci ağırlıklandırma sistemleri ve sınıf dengeleme teknikleri açısından eksik kaldığını tespit etmektedir. Bu doğrultuda çalışma, Nguyen Duc Thien ve diğerlerinin güvenlik geçitlerindeki federatif öğrenme modelleri ile Anastasakis ve diğerlerinin gizlilik koruma yaklaşımlarını bir üst aşamaya taşıyarak, CICIoT2023 veri setinin farklı dağılım senaryolarındaki etkilerini test etmektedir. Önceki çalışmaların genel başarım odaklı yaklaşımlarından farklı olarak, bu makale veri heterojenliğinin algoritma yakınsama hızları ve doğruluk oranları üzerindeki doğrudan etkilerini derinlemesine sörgülamaktadır.

Literatür taramasına katkısı: Literatür taraması bağlamında bu çalışma, araştırmacılara veuygulamacılara farklı federatif öğrenme algoritmalarının non-IID koşullardaki davranış biçimlerini gösteren somut deneysel bir zemin sunmaktadır. Özellikle FedProx algoritmasındaki düzenlileştirme parametresinin veri dağılımındaki sapmaları dengeleyicidiretkisini incelemesi, gelecekte geliştirilecek gizlilik odaklı saldırı tespit sistemleri için kuramsal bir referans oluşturmaktadır. Çalışmanın bulguları, büyük ölçekli IoT saldırılarının sınıflandırılmasında hangi algoritmik tercihin daha kararlı sonuçlar vereceğini haritalandırarak sonraki araştırmalar için yöntemsel bir rehber işlevi üstlenmektedir.

# Tez ve makale araştırmalarında kullanım

- **Federatif öğrenme sistemlerinde veri dağılımındaki heterojenlik modelbasarioranini doğrudan düşürmektedir.** — Nesnelerin interneti ağlarında veri dağılım biçimlerinin model başarısı üzerindeki etkisini tartışırken temel referans olarak kullanılacaktır.
- **FedProx algoritması L2 düzenlilesitirme terimi sayesinde non-IID koşullardaki performans düşüşünü dengelemektedir.** — Kavramsal çerçevede istemci güncellemelerini kontrol eden optimizasyon yaklaşımlarını açıklamak amacıyla gösterilecektir.
- **Scaffold algoritması bağımsız ve özdeş dağılımlı senaryolarda istatistiksel kararlılık sağlamaktadır.** — Tartışma bölümünde farklı federatif öğrenme algoritmalarının eşit dağılımlı ortamlardaki başarı sonuçlarını karşılaştırmak için kullanılacaktır.

# Türetilebilir araştırma soruları

- **Non-IID veri koşullarında FedProx algoritmasının farklı düzenlilesitirme parametreleri saldırı tespit başarısını nasıl etkilemektedir?**
  - Desen: Endüstriyel ağ cihazlarından toplanan gerçek trafik verileri üzerinden, örneklem büyüklüğü istatistiksel güç analizi ile belirlenen istemci tugaylari oluşturularak; veri toplama süreçinde ağ paket yakalama yöntemleri kullanılacak ve model güncellemeleri Stochastic Gradient Descent optimizasyonu ile analiz edilecektir.
  - Gerekçe: Makalenin non-IID veri dagilimlarinda FedProx algoritmasının başarım artışı sağladığı bulgusundan ve yazarın optimizasyon parametresi önerisinden turetılmistir.
- **Kaynak kısıtlı UAV-IoT ağlarında knowledge distillation destekli federatif öğrenme yaklaşımları iletişim maliyetini nasıl düşürmektedir?**
  - Desen: Simülasyon ortamı üzerinden farklı uçuş ve trafik senaryoları tasarlanarak; veri toplama süreçi ağ simülatörleri aracıligiylagerceklestirilecek ve model güncelleme parametreleri karşılaştırmalı istatistiksel testlerle değerlendirilecektir.
  - Gerekçe: Yazarın gelecek araştırma çağrısında yer alan düşük kaynaklı cihazlar için hafif sıklet modeller geliştirilmesi önerisinden doğrudan kaynaklanmaktadır.
- **Akıllı şebeke tüketim verilerinde veri gizliliğini ihlal etmeden gerçekleştirilen federatif öğrenme eğitimi saldırı tespiti doğruluğunu nasıl etkiler?**
  - Desen: Akıllı şebeke veri setleri kullanılarak, veri doygunluğu sağlanana kadar örneklem genişletilecek; veri toplama adımında ölçüm cihazlarının yerel logları alınacak ve sınıflandırma başarısı doğruluk ve F1-skoru metrikleriyle analiz edilecektir.
  - Gerekçe: Makalede ele alınan merkezi olmayan öğrenme mimarilerinin güvenlik ve gizlilik sağlama işlevinden ve ilgili atıflardan türetilmiştir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | In the context of the growing proliferation of user devices and the concurrent surge in data volumes, the complexities arising from the substantial increase in data have posed form |
| ev-o-2 | Abstract | 1 | — | In this research endeavor, we delve into the exploration of FL algorithms, specifically FedAvg, FedProx, and Scaffold, under different data distributions. |
| ev-o-3 | Abstract | 1 | — | In this study, We classify large-scale IoT attacks by utilizing the CICIoT2023 dataset. Through meticulous analysis and experimentation, our objective is to illuminate the performa |
| ev-s-1 | Abstract | 1 | — | Federated Learning has emerged as a promising remedy to these challenges by decentralizing model training to edge devices or parties |
| ev-s-2 | IV. EXPERIMENTAL RESULTS | 4 | — | In the intricate 34-class attack classification, both RF and ANN sustain high accuracy and F1-scores, marginally decreasing by approximately 1% from the eight- class scenario. |
| ev-s-2-2 | IV. EXPERIMENTAL RESULTS | 4 | — | Table I delineates the performance of these algorithms under three classification scenarios: binary classification (malicious vs. benign), multiclass with eight categories |
| ev-s-3 | IV. EXPERIMENTAL RESULTS | 4 | — | Notably, Scaffold consistently achieves remarkable performance with constantly high accuracy of up to 96.16%, indicating stable and superior convergence under the IID setting. |
| ev-s-4 | IV. EXPERIMENTAL RESULTS | 5 | — | These results indicate that FedProx, especially with mu = 0.04, shows enhanced adaptability and convergence in the face of non-IID data distributions compared to the FedAvg and Sca |
| ev-s-4-2 | IV. EXPERIMENTAL RESULTS | 4 | — | For the FedAvg algorithm, the global accuracy remains consistently low at 28.88%, indicating challenges in adapting to the non-IID data distribution. |
| ev-s-5 | IV. EXPERIMENTAL RESULTS | 4 | — | However, setting mu to 0.04 results in a more substantial improvement, with the accuracy peaking at 71.88% and the |
| ev-s-5-2 | IV. EXPERIMENTAL RESULTS | 4 | — | However, setting mu to 0.04 results in a more substantial improvement, with the accuracy peaking at 71.88% and the |
| ev-s-6 | V. CONCLUSION | 5 | — | In conclusion, the comparative study of FL algorithms for IoT attack detection reveals insights into their performance under different data distribution settings. |
| ev-l-1 | I. INTRODUCTION | 1 | — | One common challenge in FL arises from statistical het- erogeneity [28]–[31], which encompasses variations in data distribution and characteristics among local datasets, includ- in |
| ev-l-2 | III. SYSTEM MODEL AND PROPOSED METHOD | 3 | — | FedProx enhances FedAvg by incorporating an additional L2 regularization term in the local objective function to control the size of local updates. |
| ev-l-3 | IV. EXPERIMENTAL RESULTS | 4 | — | Notably, Scaffold consistently achieves remarkable performance with constantly high accuracy of up to 96.16%, indicating stable and superior convergence under the IID setting. |
| ev-l-4 | IV. EXPERIMENTAL RESULTS | 4 | — | However, setting mu to 0.04 results in a more substantial improvement, with the accuracy peaking at 71.88% and the |
| ev-l-5 | V. CONCLUSION | 5 | — | Developing lightweight models could improve scalability and reduce computational 0 20 40 60 80 100 Rounds 0 10 20 30 40 50 60 70 Accuracy FedAvg Scaffold FedProx mu=0.01 FedProx mu |
| ev-l-6 | I. INTRODUCTION | 1 | — | To address these challenges, Federated learning (FL) is proposed by decentralizing model training to edge devices or parties, providing an innovative solution |

# İlgili kavramlar

- [Üniversite Öğrencilerinde Akademik Stres Sınıflandırması İçin Açıklanabilir Makine Öğrenmesi Çerçevesi: Çoklu Veri Kümeli Karşılaştırmalı Çalışma](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/universite-ogrencilerinde-akademik-stres-siniflandirmasi-icin-aciklanabilir-makine-ogrenmesi-cercevesi-coklu-veri-kumeli-karsilastirmali-calisma.md)
- [Kentsel Elektrikli Otobüslere Kablosuz Şarj Sistemlerinin Entegrasyonu: Adana Şehri İçin Teknik ve Ekonomik Fizibilite Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-elektrikli-otobuslere-kablosuz-sarj-sistemlerinin-entegrasyonu-adana-sehri-icin-teknik-ve-ekonomik-fizibilite-analizi.md)
- [Kentsel toplu taşımada sera gazı emisyonlarının azaltılması için alternatif araç uygulamalarının incelenmesi: Adana ili örneği](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kentsel-toplu-tasimada-sera-gazi-emisyonlarinin-azaltilmasi-icin-alternatif-arac-uygulamalarinin-incelenmesi-adana-ili-ornegi.md)
- [Diyabetin Tahmini, Teşhisi ve Yönetiminde Makine Öğrenmesi ve Derin Öğrenme Modellerinin Güncel Uygulamaları: Kapsamlı Bir Derleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/diyabetin-tahmini-teshisi-ve-yonetiminde-makine-ogrenmesi-ve-derin-ogrenme-modellerinin-guncel-uygulamalari-kapsamli-bir-derleme.md)
- [Dünyadaki ve Türkiye'deki E-Dilekçe Portalları ile CİMER'in Yönetişim İlkeleri ve Yapay Zeka/Büyük Veri Perspektifi Bağlamında Değerlendirilmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dunyadaki-ve-turkiyedeki-e-dilekce-portallari-ile-cimerin-yonetisim-ilkeleri-ve-yapay-zekabuyuk-veri-perspektifi-baglaminda-degerlendirilmesi.md)
- [Kuantum Hesaplama: Temeller, Algoritmalar ve Gelişmekte Olan Uygulamalar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-temeller-algoritmalar-ve-gelismekte-olan-uygulamalar.md)
- [Doğal Dil Üretim Modellerinde Insan-Bilgisayar Etkileşimi ve Görselleştirme: Uygulamalar, Zorluklar ve Fırsatlar](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dogal-dil-uretim-modellerinde-insan-bilgisayar-etkilesimi-ve-gorsellestirme-uygulamalar-zorluklar-ve-firsatlar.md)
- [Kuantum Hesaplama Sistemleri İçin Uygulama Odaklı Performans Karşılaştırma Testleri ve Hacimsel Analiz Yöntemi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/kuantum-hesaplama-sistemleri-icin-uygulama-odakli-performans-karsilastirma-testleri-ve-hacimsel-analiz-yontemi.md)

# Şeffaflık

- Analiz tarihi: 2026-07-26T16:34:46.822Z
- Kanıt sayısı: 18
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/nesnelerin-interneti-sistemlerinde-veri-dagilimi-zorluklarina-karsi-saldiri-tespitinde-federatif-ogrenme-yaklasimlarinin-karsilastirmali-analizi