Geri Dön

Derin öğrenme modelleri ile insansız hava araçlarında gps sahteciliği tespiti

Detecting gps spoofing in unmanned aerial vehicles with deep learning models

PDF İndir

  1. Tez No: 1009308
  2. Yazar: UMUR KURİŞ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖZGÜR CAN TURNA
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

İnsansız Hava Araçlarının (İHA) sivil, ticari ve kritik altyapı uygulamalarında yaygınlaşması, bu sistemlerin siber güvenlik risklerine karşı daha kırılgan hâle gelmesine yol açmıştır. Bu riskler arasında, İHA'nın konumlama ve yön bulma yeteneklerini doğrudan etkileyen Küresel Konumlama Sistemi (GPS) sahteciliği saldırıları öne çıkmaktadır. GPS sahteciliği, hedef sistemin gerçek uydu sinyalleri yerine sahte sinyalleri meşru kabul etmesine neden olarak rotadan sapma, yanlış konumlama ve görev bütünlüğünün bozulması gibi ciddi sonuçlar doğurabilmektedir. Bu tezde, İHA'larda GPS sahteciliği saldırılarının tespiti amacıyla derin öğrenme tabanlı bir yaklaşım önerilmiş ve LSTM, GRU ve hibrit LSTM–GRU modellerinin karşılaştırmalı performans analizi gerçekleştirilmiştir. Çalışmada UAV Attack veri seti kullanılmış, veri ön işleme aşamalarının ardından korelasyon analizi ve karşılıklı bilgi yöntemleri ile başlangıçtaki 84 öznitelik içinden en anlamlı 11 öznitelik seçilmiştir. Seçilen öznitelikler kullanılarak geliştirilen modeller 5-katlı çapraz doğrulama çerçevesinde değerlendirilmiştir. Deneysel bulgular, hibrit LSTM–GRU modelinin ortalama %99,31 doğruluk, %96,98 duyarlılık ve %97,47 F1-skoru ile en başarılı model olduğunu göstermiştir. En yüksek kesinlik değeri ise %98,49 ile LSTM modelinde elde edilmiştir. ROC eğrileri, AUC değerleri, karışıklık matrisleri ve öğrenme eğrileri, tüm modellerin yüksek sınıflandırma başarısı sergilediğini; ancak hibrit yapının özellikle yanlış negatif oranını azaltma ve daha kararlı yakınsama sağlama açısından üstün olduğunu ortaya koymuştur. Sonuç olarak, derin öğrenme tabanlı hibrit mimarilerin GPS sahteciliği saldırılarının tespitinde etkili, güvenilir ve İHA güvenlik sistemlerine entegre edilebilir bir çözüm sunduğu değerlendirilmiştir.

Özet (Çeviri)

The increasing use of Unmanned Aerial Vehicles (UAVs) in civil, commercial, and critical infrastructure applications has made these systems more vulnerable to cybersecurity threats. Among these threats, Global Positioning System (GPS) spoofing attacks are particularly significant because they directly affect the positioning and navigation capabilities of UAVs. In a GPS spoofing attack, counterfeit signals are presented as legitimate satellite signals, which may cause route deviation, false positioning, and mission failure. This dissertation proposes a deep learning-based approach for detecting GPS spoofing attacks in UAVs and presents a comparative performance analysis of LSTM, GRU, and hybrid LSTM–GRU architectures.The study uses the UAV Attack dataset. After data preprocessing, the original 84-feature structure was reduced to 11 significant features through correlation analysis and mutual information-based feature selection. Using these selected features, the deep learning models were trained and evaluated within a 5-fold cross-validation framework. The experimental results show that the hybrid LSTM–GRU model achieved the best overall performance, with an average accuracy of 99,31%, a recall of 96,98%, and an F1-score of 97,47%. The highest precision value, 98,49%, was obtained by the LSTM model. ROC curves, AUC values, confusion matrices, and learning curves indicate that all evaluated models produced highly successful classification results; however, the hybrid architecture demonstrated a clear advantage in reducing false negatives and achieving more stable convergence during training. In conclusion, hybrid deep learning architectures offer an effective, reliable, and practically applicable solution for detecting GPS spoofing attacks and can contribute to the development of more resilient UAV security systems.

Benzer Tezler

  1. Tez No

    972760

    A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles

    İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi

    BURCU SÖNMEZ SARIKAYA

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞERİF BAHTİYAR

  2. Tez No

    984783

    GPS ve görüntü verisi olmayan ortamlarda insansız hava araçları için derin pekiştirmeli öğrenme tabanlı tam otonom yönelim ve uçuş rota planlaması

    Deep reinforcement learning-based fully autonomous orientation and flight path planning for unmanned aerial vehicles in GPS- and vision denied environments

    HÜSEYİN KÜÇÜKERDEM

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CEMAL YILMAZ

  3. Tez No

    638685

    A new nonlinear lifting line method for configuration aerodynamics and deep learning based aerodynamic surrogate models

    Konfigürasyon aerodinamiği analizi ve derin öğrenme bazlı aerodinamik dijital model oluşturmak için yeni bir doğrusal olmayan taşıyıcı çizgi metodu

    HASAN KARALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Havacılık ve Uzay Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ADİL YÜKSELEN

    PROF. DR. GÖKHAN İNALHAN

  4. Tez No

    606692

    Implementation of target tracking methods on images taken from uav (Unmanned Aerial Vehicles)

    İnsansız Hava Araçlarından (İHA) alinan görüntülerde hedef takip yöntemlerinin uygulanmasi

    HALİT ERİŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ULUS ÇEVİK

  5. Tez No

    933471

    Detecting airplanes in UAV images using deep learning model

    Derin öğrenme modeli kullanılarak insansız hava aracı görüntülerinden uçakların tespiti

    BURAK ZAHAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma TeknolojileriAnkara Yıldırım Beyazıt Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. HÜSEYİN CANBOLAT

Geri Dön