CAED-HTTP: Contrastive-adversarial early-exit DistilBERT forrobust HTTP attack detection
CAED-HTTP: Sağlam HTTP saldırı tespiti için karşılaştırmalı-adversaryal erken çıkışlı DistilBERT
- Tez No: 1011219
- Danışmanlar: PROF. DR. ENSAR GÜL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Beykoz Üniversitesi
- Enstitü: Lisansüstü Programlar Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Web uygulamalarının artan popülaritesiyle birlikte, etkili HTTP saldırı tespiti ihtiyacı daha da kritik hale gelmiştir. Son zamanlarda, dönüştürücü (transformer) tabanlı mimarilerin HTTP saldırı tespiti görevlerinde dikkat çekici performans sağladığı gösterilmiştir. Bununla birlikte, bu mimariler adversaryal (hasım) saldırılara karşı oldukça hassastır ve çıkarım (inference) hızları nispeten yavaştır; bu da onları gerçek dünya uygulamaları için uygun olmaktan uzaklaştırır. Bu tez, DistilBERT modeli, mutasyon tabanlı adversaryal eğitim, karşılaştırmalı (contrastive) temsil öğrenimi ve erken çıkış (early-exit) çıkarımı kullanan verimli bir HTTP saldırı tespit çerçevesi geliştirmeyi amaçlamaktadır. Bu kapsamda, geliştirilen çerçevenin dayanıklılığı, modelin adversaryal eğitimi ile sağlanmaktadır. Bu süreçte, web uygulama güvenlik duvarı (WAF) gizleme (obfuscation) tekniklerinin uygulanması ve karakter mutasyonları dahil olmak üzere çeşitli mutasyon işlemlerinin bir kombinasyonu kullanılarak adversaryal HTTP istekleri üretilmektedir. Ayrıca, karşılaştırmalı öğrenme sayesinde modelin, temiz HTTP istekleri ile bunların adversaryal karşılıkları için benzer temsiller öğrenmesi sağlanmaktadır. Geliştirilen çerçevenin verimliliğini artırmak amacıyla, erken çıkış çıkarım tekniği entegre edilmiştir. Bu teknik sayesinde, tahminlerin güven düzeyi yeterince yüksek olduğunda modelin çıkarım sürecini erken sonlandırmasına izin verilmektedir. Deneysel sonuçlar, modelin adversaryal eğitimle eğitilmesinin, yalnızca temiz verilerle eğitilen temel modele kıyasla dayanıklılığını önemli ölçüde artırdığını göstermektedir. Bununla birlikte, karşılaştırmalı öğrenme ve erken çıkış çıkarımının birlikte kullanılması, en güçlü adversaryal saldırılar karşısında model performansında hafif bir düşüşe yol açmaktadır. Bu durum, dayanıklılık ile verimlilik arasında bir denge olduğunu göstermekte; ancak nihai modelin önemli ölçüde daha hızlı olduğu da ortaya konmaktadır.
Özet (Çeviri)
With the increasing popularity of web applications, the demand for effective HTTP attacks detection has become even more imperative. Recently, transformer-based architectures have been shown to achieve remarkable performance in HTTP attacks detection tasks. Nevertheless, these architectures are highly susceptible to adversarial attacks, and their inference speed is relatively slow, making them unsuitable for real-world applications. This thesis aims at developing an efficient HTTP attacks detection framework that utilizes the DistilBERT model, mutation-based adversarial training, contrastive representation learning, and early-exit inference. In this regard, the robustness of the developed framework is ensured by the adversarial training of the model, whereby adversarial HTTP requests are generated using a combination of mutation operations, including the application of web application firewall (WAF) obfuscation techniques, as well as character mutations. In addition, contrastive learning is utilized to ensure that the model is forced to learn similar representations for clean HTTP requests and their adversarial counterparts. To improve the efficiency of the developed framework, an early-exit inference technique is integrated, whereby the model is allowed to exit early during the inference process when the confidence of the predictions is sufficiently high. The experimental results reveal that the adversarial training of the model significantly improves its robustness when compared with the baseline model trained using clean data alone. Nevertheless, the combination of contrastive learning and early- exit inference results in a slight degradation of the model's performance on the most adversarial attacks, suggesting a trade-off between robustness and efficiency, as the final model is substantially faster.
Benzer Tezler
- Epileptik nöbet geçiren-sağlıklı çocuğu olan annelerin tükenmişlik düzeylerinin farklı değişkenler açısından incelenmesi
Studying of burnt out levels of mothers of with children having epileptic seizures and healthy children with respect to different variables
SEVİL AKMAN
- District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities
İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama
ANALI AZABDAFTARI
Doktora
İngilizce
2022
İletişim Bilimleriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ SUNAR
- Dâvûdî'nin (V. 402/1011) Kitâbü'l-Emvâl'i çerçevesinde kamu maliyesi
Public finance in the context of Dawudi's (D. 402/1011) Kitab al-Amwal
ESRA TAŞKESEN
Yüksek Lisans
Türkçe
2018
Dinİstanbul 29 Mayıs ÜniversitesiTemel İslam Bilimleri Ana Bilim Dalı
PROF. DR. ALİ BARDAKOĞLU
- Resmu'l-Mushaf ilminde Akîletu Etrâbi'l-Kasâid literatürü: Cemîletu Erbâbi'l-Merâsıd örneği
Akîletu Etrâbi'l-Kasâid literature in the science of Resmu'l-Mushaf: The example of Jamiletu Erbâbi'l-Merâsid
MERVENUR TÜRKER
Yüksek Lisans
Türkçe
2025
DinMarmara ÜniversitesiTemel İslam Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HİDAYET AYAN