Adli Bilişimde IoT Log ve Sensör Verisi Analizi: Güvenlik, İzleme

Son yıllarda Nesnelerin İnterneti (IoT) cihazlarının yaygınlaşması, birçok endüstride devrim yaratmış olsa da, aynı zamanda güvenlik ve adli bilişim alanlarında yeni zorluklar da doğurmuştur. IoT cihazları, sensörler ve loglar, dijital suçların tespitinde önemli bir kaynak olabilir. Bu makalede, IoT logları ve sensör verilerinin adli bilişimde nasıl analiz edilebileceği, bu verilerin suç çözme süreçlerinde nasıl kullanılabileceği ele alınacaktır. Ayrıca, bu verilerin analiz edilmesinde kullanılan teknikler ve yöntemler de detaylandırılacaktır.

IoT Log ve Sensör Verileri: Temel Kavramlar

IoT cihazları; akıllı evler, sağlık izleme cihazları, güvenlik kameraları, sensörler ve endüstriyel makineler gibi birçok farklı alanı kapsar. Bu cihazlar genellikle büyük miktarda veri üretir ve bu veriler, cihazın performansını izlemek, arıza tespiti yapmak veya suç unsurları araştırmak için önemli bir kaynak olabilir. IoT verilerinin çoğu, log (günlük) ve sensör verileri olarak sınıflandırılabilir.

Log Verileri: IoT cihazları, her işlem veya etkinlik hakkında log tutar. Bu loglar, bir cihazın ne zaman çalıştığını, ne tür işlemler yaptığını, hata mesajlarını ve diğer kritik bilgileri içerir.

Sensör Verileri: IoT cihazları, çevresel değişiklikleri algılayan sensörlere sahiptir. Örneğin, bir hareket sensörü birinin odada olup olmadığını algılayabilir veya bir sıcaklık sensörü ortamın ısısını ölçebilir.

IoT Log ve Sensör Verilerinin Adli Bilişimde Kullanımı

Adli bilişimde, IoT cihazlarından elde edilen veriler, dijital suçların çözülmesinde kritik bir rol oynayabilir. Aşağıda, IoT log ve sensör verilerinin adli bilişimde nasıl kullanılabileceğine dair bazı temel örnekler verilmiştir:

IoT cihazları, suç mahallinde iz bırakabilecek veriler sunar. Örneğin, bir güvenlik kamerasının kaydettiği video, suçun işleniş biçimi hakkında önemli bilgiler verebilir. Bir hareket sensörü ise, suçun işlenip işlenmediğini veya suçlunun hareketlerini izlemeye yardımcı olabilir.

Log verileri, olayların tam olarak ne zaman gerçekleştiğini belirlemek için kritik olabilir. Özellikle zaman damgaları (timestamp) suçu çözme sürecinde önemli bir rol oynar. Örneğin, bir saldırı sırasında bir cihazın log verileri, saldırının hangi sırayla gerçekleştiğini ve hangi cihazların etkilendiğini gösterir.

Bazı durumlarda, IoT verileri manipülasyona uğrayabilir. Örneğin, bir suçlu, cihazın loglarını silerek suçlarını gizlemeye çalışabilir. Bu tür manipülasyonlar, adli bilişim uzmanları tarafından logların doğruluğunu test etme ve değişikliklerin izini sürme yöntemleriyle ortaya çıkarılabilir.

IoT Log ve Sensör Verilerini Analiz Etme Yöntemleri

IoT cihazlarından elde edilen log ve sensör verilerini analiz etmek için birkaç farklı teknik ve araç kullanılabilir. Bu bölüme örneklerle birkaç temel yaklaşım eklenmiştir.

1. Veri Temizleme ve Ön İşleme

IoT verileri, genellikle ham (raw) veriler şeklinde gelir ve genellikle hatalar, eksik veriler veya gürültü içerir. Bu verileri analiz etmek için öncelikle temizleme işlemi yapılmalıdır. Aşağıda, Python dilinde basit bir veri temizleme örneği verilmiştir.

1import pandas as pd
2
3Veriyi yükle
4
5data = pd.read_csv("iot_data.csv")
6
7Eksik verileri kaldır
8
9cleaned_data = data.dropna()
10
11Gürültü verileri filtrele
12
13filtered_data = cleaned_data[cleaned_data['sensor_value'] > 0]
14
15Temizlenmiş veriyi kaydet
16
17filtered_data.to_csv("cleaned_iot_data.csv", index=False)

2. Zaman Serisi Analizi

IoT logları ve sensör verileri genellikle zaman serisi verileri içerir. Bu verileri analiz etmek için, zaman serisi analizi ve trend analizi gibi yöntemler kullanılabilir. Bu tür bir analiz, cihazın performansındaki değişimleri ve anormal durumları tespit etmeye yardımcı olabilir.

3. Anomali Tespiti

IoT cihazlarından gelen verilerdeki anomali tespiti, suçların çözülmesinde kritik bir rol oynar. Anormal veriler, suçların izlerini gösterebilir. Makine öğrenmesi yöntemleri, normalden sapma gösteren verileri tespit etmek için kullanılabilir.

1from sklearn.ensemble import IsolationForest
2
3Modeli oluştur
4
5model = IsolationForest(contamination=0.1)
6
7Veriye uygulama
8
9data['anomaly'] = model.fit_predict(data[['sensor_value']])
10
11Anomalileri ayırma
12
13anomalies = data[data['anomaly'] == -1]

Örnek Durum: Akıllı Evde Hırsızlık Olayı

Bir akıllı evde meydana gelen hırsızlık olayını ele alalım. Evdeki sensörler, hareket algılama cihazları, güvenlik kameraları ve akıllı kilitler, suçun çözülmesinde kritik veriler sunar. Hırsızlık sırasında, akıllı ev sisteminin cihazlarından alınan loglar, hırsızın ne zaman içeri girdiğini, hangi odaları gezdiğini ve hangi cihazların etkilendiğini gösterebilir.

İpuçları

Logları zamanında saklayın: IoT cihazlarının logları zaman içinde silinebilir, bu nedenle logları düzenli olarak yedekleyin.

Veri şifrelemesi: IoT cihazlarının logları güvenli olmalıdır. Özellikle hassas verileri korumak için şifreleme kullanmak önemlidir.

Anomali tespiti için yapay zeka kullanın: IoT cihazlarından gelen verilerdeki anormallikler, yapay zeka tabanlı sistemler tarafından daha hızlı tespit edilebilir.

IoT cihazlarından elde edilen log ve sensör verileri, adli bilişimde suç çözme süreçlerinde kritik bir öneme sahiptir. Bu veriler, suç mahallinin izlenmesi, suçun zaman sırasının belirlenmesi ve veri manipülasyonunun tespit edilmesi gibi birçok alanda faydalıdır. IoT verilerinin analizinde kullanılan teknikler, zaman serisi analizi, anomali tespiti ve makine öğrenmesi gibi yöntemleri içerir. Suç araştırmalarında etkili olmak için bu verilerin doğru bir şekilde toplanması, işlenmesi ve analiz edilmesi gerekmektedir.

#AdliBilişim #kaynak