An enhanced attentıon and dılated convolutıon based ensemble modelbased network ıntrusıon detectıonsystem agaınst adversarıal evasıonattacks usıng enhanced cheetahoptımızer
Geliştirilmiş dikkat ve genişletilmişkonvolüsyon tabanlı topluluk model tabanlıağ saldırı tespit sistemi, geliştirilmiş cheetah optimizörü kullanarak düşmanca kaçınma saldırılarına karşı
- Tez No: 1000891
- Danışmanlar: DR. ÖĞR. ÜYESİ MESUT ÇEVİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Akıllı şebekeler, Siber saldırı, Yapay zeka, Çekişmeli saldırı, Intelligence networks, Cyber attack, Artificial intelligence, Adversarial attack
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ağ tehditlerine karşı uzun süre güvenilir bir savunma sistemine Saldırı Tespit Sistemi (IDS) denir. Ağda şüpheli veya kötü niyetli faaliyetler tespit edildiğinde, savunmacılar IDS tarafından bilgilendirilir. Son on yılda, makine öğrenimi, IDS'nin daha doğru, daha analiz yeteneğine sahip ve bilinen saldırıların yeni veya değiştirilmiş biçimlerini bulmada daha yetenekli hale gelmesine yardımcı oldu. Makine öğrenimi tekniğinin gelişmiş bir versiyonu olan derin öğrenme, ağ güvenliği alanında çok önemlidir. Ek olarak, derin öğrenmeye dayalı bir Ağ Saldırı Tespit Sistemi (NIDS), geleneksel IDS tekniklerinden daha iyi performans gösterir. Ancak son çalışmalar, gerçek zamanlı olarak saldırganlarla karşı karşıya kaldığında, derin öğrenmeye dayalı IDS'nin biraz yanlış hale geldiğini göstermektedir. Saldırı modellerinin NIDS'yi nasıl etkileyeceği konusunda da herhangi bir analiz yapılmamıştır. Burada, düşmanca kaçınma saldırılarına karşı savunmak için geliştirilmiş derin öğrenmeye dayalı bir NIDS modeli tasarlanmıştır. Gerekli veriler öncelikle yaygın olarak bulunan web sitelerinden toplanır. En iyi özellik çıkarımı, toplanan veriler üzerinde gerçekleştirilir. Burada, Geliştirilmiş Çita Optimizasyon Aracı (ICO) kullanılır. Ardından, en iyi şekilde çıkarılan özelliklerden saldırıları tespit etmek için Dikkat ve Genişletilmiş Tabanlı Topluluk Ağı (ADEN) uygulanır. Derin Zamansal Evrişimsel Sinir Ağı (DTCN), Uzun Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Birim (GRU) modelleri, önerilen ADCEN'i devreye almak için bir araya getirilir. Son olarak, ADEN saldırıları tespit eder ve bulanık sıralama yaklaşımını kullanarak ilgili çıktıları üretir. Önerilen derin öğrenme tabanlı NIDS'nin düşman saldırılarına karşı savunmasını iyi bir şekilde göstermek için, geleneksel modellere karşı deneyler yapılır.
Özet (Çeviri)
A reliable defense system against network threats over a long time is called the Intrusion Detection System (IDS). Defenders are notified by the IDS when suspicious or malevolent activities are identified on the network. In the last ten years, machine learning has helped the IDS to become more accurate, more capable of analysis, and more adept at finding new or modified forms of known intrusions. Deep learning, an advanced version of the machine learning technique, is essential to the field of network security. Additionally, a deep learningbased Network Intrusion Detection System (NIDS) performs better than conventional IDS techniques. Recent studies, however, demonstrate that when faced with attackers in realtime, the deep learning-based IDS becomes somewhat inaccurate. There is no analysis done on how attack models will affect NIDS as well. In order to defend against adversarial evasion attacks, an enhanced deep learning-based NIDS model is designed here. The required data is first collected from commonly available websites. The best feature extraction is carried out on the collected data. Here, the Improved Cheetah Optimizer (ICO). Then, an Attention and Dilated-based Ensemble Network (ADEN) is implemented to detect the intrusions from the optimally extracted features. The Deep Temporal Convolutional Neural Network (DTCN), Long Short-term Memory (LSTM), and Gated Recurrent Unit (GRU) models are assembled together to deploy the suggested ADCEN. In the end, the ADEN detects the viii intrusions and generates the respective outputs using the fuzzy ranking approach. To demonstrate well the recommended deep learning-based NIDS defends against adversarial evasion assaults, experiments are conducted against conventional models.
Benzer Tezler
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Multimodal medical visual question answering: Knowledge spaces and semantic segmentation for improved and explainable AI
Çok-kipli tıbbi görsel soru cevaplama: Bilgi uzayları ve anlamsal bölütleme ile gelişmiş ve açıklanabilir yapay zekâ
ZİYA ATA YAZICI
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Kakao flavanollerinin açık ve örtük dikkat üzerindeki akut etkileri
The acute effects of cocoa flavanols on overt and covert attention
OĞUZ KARATAŞ
- Subjective intensity and pleasantness in taste
Tatta öznel yoğunluk ve hoşluk' konulu
MARİA GERALDİNE VELDHUİZEN
- Microalgae growth in anaerobic digestate for high-value product recovery
Anaerobik çürütücü çıkış suyunda büyütülen mikroalglerden değerli ürün geri kazanımı
HANDE ERMİŞ
Doktora
İngilizce
2020
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
DOÇ. DR. MAHMUT ALTINBAŞ