Yazılım tanımlı ağlarda büyük dil modeli tabanlı saldırı tespiti
Large language model-based intrusion detection in software definied networks
- Tez No: 1013644
- Danışmanlar: DR. ÖĞR. ÜYESİ MERVE SEDEF DEMİRCİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yazılım Tanımlı Nesnelerin İnterneti (SD-IoT) ağlarının yaygınlaşmasıyla birlikte, merkezî kontrol yapısı ağ esnekliğini ve yönetilebilirliğini artırırken, heterojen cihaz ekosistemi ve yoğun veri akışı gibi özellikler yeni güvenlik risklerinin ortaya çıkmasına neden olmaktadır. Bu durum, ağ güvenliğinin sağlanabilmesi açısından tehditlerin doğru biçimde belirlenmesini ve etkili saldırı tespit mekanizmalarının geliştirilmesini kritik hâle getirmiştir. Bu noktada, Büyük Dil Modelleri (LLM), öz-dikkat mekanizması ve güçlü bağlamsal temsil yetenekleri sayesinde ağ akış verilerindeki karmaşık ilişkileri daha etkili biçimde modelleme ve değişen veri örüntüleri altında daha esnek ve dayanıklı yapılar geliştirme potansiyeline sahiptir. Bu doğrultuda, bu tez çalışmasında, SD-IoT ortamlarında saldırı tespiti ve saldırı sınıflandırması için LLM tabanlı modeller geliştirilmiştir. Tez kapsamında yapılan çalışmalar üç başlık altında toplanmıştır. İlk çalışmada, SD-IoT ortamında saldırı tespiti ve sınıflandırması performanslarını karşılaştırmak amacıyla, kodlayıcı (encoder), kodlayıcı-çözücü (encoder-decoder) ve çözücü (decoder) mimari ailelerini temsil eden BERT, RoBERTa, Flan-T5, BART ve Qwen olmak üzere beş LLM modeli ince ayar yöntemiyle geliştirilmiş ve performansları, literatürde kıyaslama amacıyla en çok kullanılan Derin Sinir Ağları (DNN) ve Tek Boyutlu Evrişimsel Sinir Ağları (1D-CNN) modelleri ile karşılaştırılmıştır. İkinci çalışmada, modellerin değişen ağ koşulları altındaki genellenebilirliklerini değerlendirmek amacıyla, geliştirilen modeller bir veri seti ile eğitilmiş ve çapraz bir veri seti test edilmiştir. Üçüncü çalışmada ise, LLM modellerinin hiç görmedikleri saldırı türlerindeki başarısı Bir Saldırıyı Dışarıda Bırakma (LOAO) yaklaşımı ile değerlendirilmiştir. Sonuçlar, LLM tabanlı saldırı tespit yaklaşımının üç çalışmada da %98'e ulaşan doğruluk sağladığını ve DL modellerine kıyasla daha üstün performans sergilediğini göstermiştir.
Özet (Çeviri)
With the widespread adoption of Software-Defined Internet of Things (SD-IoT) networks, the centralized control structure enhances network flexibility and manageability, while characteristics such as a heterogeneous device ecosystem and intensive data flow give rise to new security risks. This situation has made the accurate identification of threats and the development of effective intrusion detection mechanisms critical for ensuring network security. In this context, Large Language Models (LLMs), owing to their self-attention mechanism and strong contextual representation capabilities, have the potential to model complex relationships in network flow data more effectively and to develop more flexible and robust structures under changing data patterns. Accordingly, in this thesis, LLM-based models were developed for intrusion detection and attack classification in SD-IoT environments. The studies conducted within the scope of the thesis were organized under three main headings. In the first study, to compare intrusion detection and classification performance in an SD-IoT environment, five LLMs representing the encoder, encoder-decoder, and decoder architectural families-namely BERT, RoBERTa, Flan-T5, BART, and Qwen-were fine-tuned, and their performance was compared with Deep Neural Networks (DNN) and One-Dimensional Convolutional Neural Networks (1D-CNN), which are among the most commonly used benchmark models in the literature. In the second study, in order to evaluate the generalizability of the developed models under changing network conditions, the models were trained on one dataset and tested on a cross-dataset setting. In the third study, the performance of the LLM models on previously unseen attack types was evaluated using the Leave-One-Attack-Out (LOAO) approach. The results demonstrated that the LLM-based intrusion detection approach achieved accuracy rates of up to 98% across all three studies and outperformed the DL models.
Benzer Tezler
- Kentsel değişimin konum tabanlı sosyal medya ağları ile incelenmesi: Taksim Meydanı örneği
Evaluating urban change with location based social networks: The case of Taksim Square
ONUR ERKAN
Yüksek Lisans
Türkçe
2019
Mimarlıkİstanbul Teknik ÜniversitesiKentsel Tasarım Ana Bilim Dalı
DOÇ. DR. DİLEK YILDIZ
- The structural elements of timbral coherence and its compositional application
Tınısal bütünlüğün yapısal öğeleri ve kompozisyonel uygulaması
ENİS GÜMÜŞ
Doktora
İngilizce
2020
Müzikİstanbul Teknik ÜniversitesiMüzik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERAY ALTINBÜKEN
- Yazılım tanımlı ağlarda trafik mühendisliği için derin öğrenme tabanlı yaklaşım geliştirme
Developing a deep learning based approach for traffic engineering in software defined networks
SUDAD ABDULRAZZAQ
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DEMİRCİ
- Yazılım tanımlı ağlarda telemetrik yöntemle gerçek zamanlı saldırı tespiti ve önleme
Real-time anomaly detection and mitigation using streaming telemetry in sdn
ÇAĞDAŞ KURT
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN AYHAN ERDEM
- Yazılım tanımlı ağlarda genetik algoritma tabanlı çoklu denetleyici yerleştirme
Genetic algorithm-based multi-controller placement in software-defined networks
EDA NUR HASÇOKADAR
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİLAL BABAYİĞİT