Geri Dön

A fully unsupervised ensemble autoencoder framework for network intrusion detection and attack-type

Ağ izinsiz giriş tespiti ve saldırı türü çıkarımı için tamamen denetimsiz bir topluluk otomatik kodlayıcı çerçevesi

PDF İndir

  1. Tez No: 1002774
  2. Yazar: AHMET YILDIRIM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYŞE NURDAN SARAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Ağ trafiği, Saldırı algılama sistemi, Network traffic, Introsion detection system
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Çankaya Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tezde, UNSW-NB15 veri kümesi üzerinde değerlendirilen, tamamen denetimsiz çalışan topluluk (ensemble) tabanlı bir Otomatik Kodlayıcı (Autoencoder) saldırı tespit sistemi (IDS) önerilmektedir. Önerilen yapı, yalnızca normal ağ trafiği kullanılarak eğitilen Tam Bağlantılı Otomatik Kodlayıcı (FC-AE), Evrişimsel Sinir Ağı Tabanlı Otomatik Kodlayıcı (CNN-AE) ve Uzun Kısa Süreli Bellek Otomatik Kodlayıcı (LSTM-AE) mimarilerini bir araya getirmektedir. Anomali tespiti sürecinde, yeniden yapılandırma hatası ile Mahalanobis uzaklığını birleştiren çift metrikli bir skorlandırma yaklaşımı uygulanmakta ve elde edilen skorlar ağırlıklı bir topluluk yöntemiyle birleştirilmektedir. Deneysel sonuçlar, ikili anomali tespitinde son derece yüksek bir başarı elde edildiğini göstermekte; F1-skoru 0.9994, AUC-ROC değeri 1.0000 ve AUPRC değeri 1.0000 olarak raporlanmaktadır. Ayrıca, gizil uzayda gerçekleştirilen kümeleme işlemiyle denetimsiz saldırı türü çıkarımı yapılmış ve bu aşamada %96.19 genel doğruluk ile 0.9574 ağırlıklı F1-skoru elde edilmiştir.

Özet (Çeviri)

This thesis proposes a fully unsupervised ensemble-based Autoencoder intrusion detection system (IDS) evaluated on the UNSW-NB15 dataset. The framework integrates Fully Connected Autoencoder (FC-AE), Convolutional Neural Network Autoencoder (CNN-AE), and Long Short-Term Memory Autoencoder (LSTM-AE) architectures trained exclusively on normal network traffic. Anomaly detection is performed using a dual-metric scoring approach that combines reconstruction error and Mahalanobis distance, followed by weighted ensemble aggregation. Experimental results demonstrate highly accurate binary anomaly detection, achieving an F1-score of 0.9994, an AUC-ROC of 1.0000, and an AUPRC of 1.0000. In addition, unsupervised attack-type inference using latent-space clustering achieves an overall accuracy of 96.19% with a weighted F1-score of 0.9574.

Benzer Tezler

  1. Tez No

    1012091

    Seasonal forecasting and trend analysis in redefinedclimate zones: A deep learning and climate indicesapproach

    Yeniden tanımlanan iklim bölgelerinde mevsimsel tahminve eğilim analizi: Derin öğrenme ve iklim indisleriyaklaşımı

    NİDA ÇİFTCİ

    Doktora

    İngilizce

    İngilizce

    2026

    Meteorolojiİstanbul Teknik Üniversitesi

    Meteoroloji Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET DURAN ŞAHİN

  2. Tez No

    761235

    Target identification with deep learning for SSVEP-based brain-computer interface spellers

    GUDHP tabanlı beyin-bilgisayar arayüzü heceleticileri için derin öğrenme ile hedef tespiti

    OSMAN BERKE GÜNEY

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiSabancı Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN

  3. Tez No

    842068

    Yapay zekâ-tabanlı hibrit anomali tespit ve klinik karar destek teknikleri ile kardiyovasküler hastalıkların ve COVİD-19'un otomatik tespiti

    Artificial intelligence-based hybrid anomaly detection and clinical decision support techniques for automated detection of cardiovascular diseases and COVİD-19

    MERVE BEGÜM TERZİ

    Doktora

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ORHAN ARIKAN

  4. Tez No

    997020

    Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması

    Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods

    YUNUS EDİZ

    Doktora

    Türkçe

    Türkçe

    2026

    EkonometriManisa Celal Bayar Üniversitesi

    İktisat Ana Bilim Dalı

    PROF. DR. İLKAY DİLBER

  5. Tez No

    416469

    A grounded and contextualized web of concepts on a humanoid robot

    İnsansı robotlar için temellendirilmiş ve bağlamsal bir kavram ağı

    HANDE ÇELİKKANAT

    Doktora

    İngilizce

    İngilizce

    2015

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. SİNAN KALKAN

    DOÇ. DR. EROL ŞAHİN

Geri Dön