A hybrid convolutional neural network and long short-term memory for ddos attacks detection in iot networks
Iot ağlarında ddos saldırılarının tespıtı ıçın hıbrıt evrışımsel sınır ağı ve uzun kısa sürelı bellek
- Tez No: 1015334
- Danışmanlar: Prof. Dr. HAYRİ SEVER
- 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: Çankaya Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fen Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezin amacı, her ikisinin de avantajlarından yararlanmak için Evrişimsel Sinir Ağı (CNN) ve Uzun-Kısa Süreli Bellek (LSTM)'yi birleştiren hibrit bir Derin Sinir Ağı (DNN) sunmaktır. Literatürde çeşitli metodolojiler bulunmuştur. Bulunan yaklaşımlardan bazıları, öğrenilebilir katman sayısını artırmak gibi model yapısının karmaşıklığını artırmış veya Rastgele Ormanlar (RF), K-En Yakın Komşu (KNN) gibi Makine Öğrenmesi (ML) algoritmalarını hibritleştirerek özellik sayısını en aza indirmiş veya sınıflandırıcı olarak kullanmıştır. Bununla birlikte, önerilen yöntem, CNN ve LSTM algoritmalarını hibritleştiren hafif bir modeldir. Önerilen model, Toplu Normalizasyon (BN), havuzlama, evrişim katmanı, LSTM, çift yönlü LSTM ve tam bağlantılı (yoğun) katmanlar dahil olmak üzere 12 katmandan oluşmaktadır. Veri seti çok büyük olduğu ve kişisel bir bilgisayar tarafından işlenemeyeceği için, önerilen model Kaggle.com tarafından çevrimiçi olarak sunulan Python programlama dilinde simüle edilmiştir. Sonuçlar, modelin %99,75'lik bir test doğruluğu, %99,79'luk bir hassasiyet, %99,77'lik bir geri çağırma puanı ve %99,78'lik bir F1 puanı elde ettiğini göstermektedir. Bu çalışma, önerilen metodoloji kullanılarak DDoS saldırılarının önceki araştırmalarla karşılaştırılabilir puanlarla sınıflandırılabileceği ve pratik uygulamalar için kullanılabileceği sonucuna varmaktadır. Bununla birlikte, önerilen hibrit model, özellik sayısını azaltmak için bir teknik olarak Diferansiyel Evrim (DE) optimizasyon algoritmasını da içerecek şekilde gelecekteki çalışmalarda daha da geliştirilebilir.
Özet (Çeviri)
The purpose of this thesis is to introduce a hybrid Deep Neural Network (DNN) that combines Convolutional Neural Network (CNN) and Long-Short Term Memory (LSTM) together to make use of the advantages of each of them. Various methodologies were found in the literature. Some of the approaches that found either increased the model structure complexity, such as increasing number of learnable layers or hybridize the Machine Learning (ML) such as the Random Forests (RF) K-Nearest Neighbor (KNN) or other approaches to minimize number of features or as a classifiers. However, the proposed method was a lightweight model that hybridize CNN and LSTM algorithms. The suggested model involves 12-layers, including Batch Normalization (BN), pooling, convolutional layer, LSTM, bidirectional LSTM, and fully connected (dense) layers. The proposed model was simulated in Python programming language that offered online by Kaggle.com, since the dataset was huge and cannot be handled by a personal computer. Results show that the model achieved a test accuracy of 99.75%, a precision of 99.79% when the recall score was 99.77% and the f1-score is 99.78%. This study concludes that DDoS attacks can be classified using the proposed methodology with comparable scores with the previous investigations and can be deployed for practical applications. However, the suggested hybrid model can be more developed in the future work by involving the Differential Evolution (DE) optimization algorithm as a technique to reduce the number of features.
Benzer Tezler
- Speech synthesis using long-term short memory and recurrent neural network (LTSM-RNN)
Uzun süreli kısa kullanarak konuşma sentezi bellek ve tekrarlamalı sinir ağları (LTSM-RNN)
ARKAN ADNAN IMRAN AL-YASARI
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik MühendisliğiAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. GALİP CANSEVER
- Görüntülerdeki eksik kısmın tamamlanması amaçlı derin öğrenme temelli hibrit bir model geliştirilmesi
Development of a deep learning based hybrid model to complete the missing part in the images
HASAN BASRİ AKÇAY
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖVÜNÇ POLAT
- Üçüncü parti lojistik platformunda talep tahmini için derin öğrenme yaklaşımları
Deep learning approaches for demand forecasting in a third-party logistics platform
AYŞE ZEYBEL PEKÖZ
Yüksek Lisans
Türkçe
2022
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. TÜLİN İNKAYA
- Obsesif kompülsif bozuklukta EEG frekans bantlarının sınıflandırılması
Classification of eeg frequency bands in obsessive compulsory disorder
GÖZDE YALINIZ BAYRAKTAR
Yüksek Lisans
Türkçe
2024
NörolojiÜsküdar ÜniversitesiNörobilim Ana Bilim Dalı
PROF. DR. TÜRKER TEKİN ERGÜZEL
- A hybrid deep neural network classification for schizophrenia detection in EEG recordings
EEG kayıtlarında şizofreni tespiti için hibrit derin sınır ağı sınıflandırması
ZEKERİYA EDAHIL
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGaziantep ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA KAYHAN