Saldırı tespit sistemlerinde derin öğrenme uygulamaları
Implementations of deep learning in intrusion detection systems
- Tez No: 1016589
- Danışmanlar: PROF. DR. İMAN ASKERBEYLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Saldırı tespit sistemi (IDS), Siber güvenlik, Deep learning, Intrusion detection system (IDS), Cyber security
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde IoT tabanlı ağların yaygınlaşmasıyla birlikte bu ortamlara yönelik siber saldırıların niteliği ve çeşitliliği artmış, geleneksel saldırı tespit sistemlerinin bu yeni yapılar karşısında yeterli performans gösteremediği görülmüştür. Literatürde yer alan birçok veri setinin klasik ağ topolojileri üzerine kurgulanmış olması, IoT cihaz davranışlarını, protokol çeşitliliğini ve gerçekçi trafik karakteristiğini sınırlı düzeyde yansıtmakta; bu durum araştırma sonuçlarının gerçek dünya senaryolarına genellenebilirliğini zorlaştırmaktadır. Bu çalışmanın temel amacı, IoT destekli ağlarda farklı saldırı senaryoları oluşturularak güncel, kapsamlı ve araştırma odaklı yeni bir veri seti geliştirmek ve bu veri seti üzerinde makine öğrenmesi ve derin öğrenme tabanlı IDS yaklaşımlarının performansını değerlendirmektir. Çalışma kapsamında DDoS, ARP Poisoning, MAC Flooding, Brute Force ve ağ keşif saldırıları gibi çeşitli tehdit türleri gerçek donanım ve sanal ağ ortamları kullanılarak yeniden üretilmiş; trafik verileri Wireshark ve ilgili ağ izleme araçları ile kaydedilmiştir. Elde edilen veri, ön işleme ve özellik çıkarımı adımlarından geçirilmiş ve farklı sınıflandırma algoritmaları üzerinde test edilmiştir. Sonuçlar, geliştirilen veri setinin IoT ortamına özgü saldırı davranışlarını başarıyla yansıttığını ve IDS modellerinin performans değerlendirmesinde anlamlı bir referans sunduğunu göstermektedir. Çalışmanın, IoT güvenliği alanında veri seti eksikliğine yönelik önemli bir katkı sağlayacağı ve gelecekteki saldırı tespit sistemlerinin geliştirilmesine yönelik yeni araştırmalara zemin oluşturacağı değerlendirilmektedir.
Özet (Çeviri)
With the widespread adoption of IoT-based networks, the nature and diversity of cyber attacks targeting these environments have significantly increased, and it has been observed that traditional intrusion detection systems fail to provide sufficient performance against such emerging structures. Many datasets available in the literature are designed for conventional network topologies and therefore inadequately reflect IoT device behaviors, protocol diversity, and realistic traffic characteristics. This limitation reduces the generalizability of research outcomes to real-world scenarios. The primary objective of this study is to develop a modern, comprehensive, and research-oriented dataset by constructing various attack scenarios in IoT-enabled networks, and to evaluate the performance of machine learning and deep learning–based intrusion detection system (IDS) approaches using this dataset. Within the scope of the study, several threat types—including DDoS, ARP Poisoning, MAC Flooding, Brute Force, and network reconnaissance attacks—were reproduced using real hardware and virtual network environments. Network traffic data were captured using Wireshark and related monitoring tools. The collected data were subjected to preprocessing and feature extraction stages and subsequently tested using different classification algorithms. The results demonstrate that the proposed dataset successfully captures attack behaviors specific to IoT environments and provides a meaningful benchmark for evaluating IDS model performance. It is anticipated that this study will make a significant contribution to addressing the dataset deficiency in the field of IoT security and will lay the groundwork for future research on the development of advanced intrusion detection systems.
Benzer Tezler
- Ağ tehdit algılamada derin öğrenme uygulamaları
Deep learning aplications for network intrusion detection
MESUT KAPAR
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MURAT CANAYAZ
- Derı̇n evrı̇şı̇msel sı̇nı̇r ağları ı̇le akıllı ev sı̇stemlerı̇nde sı̇ber saldırılara karşı ağ güvenlı̇ğı̇nı̇n artırılması
Enhancing network security against cyber attacks in smart home systems with deep convolutional neural networks
MAHMOOD HIJRAN ABDULRAZAQ ABDULRAZAQ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMAL KOÇAK
- Saldırıdan haberdar konuşmacı doğrulama için karar maliyeti tabanlı bir öğrenme yaklaşımı
A decision cost-based learning approach for spoofing-aware speaker verification
OĞUZHAN KURNAZ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. CEMAL HANİLÇİ
- Enerji sistemlerinde siber güvenlik
Cybersecurity in power systems
ABDULVEHHAB AĞIN
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. AYŞEN DEMİRÖREN
- Presentation attack detection with shuffled patch-wise binary supervision
Karıştırılmış yama tabanlı ikili gözetim ile sunum saldırı tespiti
ALPEREN KANTARCI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL