Nesnelerin interneti için transfer öğrenme yöntemi ile siber saldırı tespiti
Cyberattack detection with transfer learning method for internet of things
- Tez No: 1018476
- Danışmanlar: DOÇ. DR. ÖNDER DEMİR, DR. ÖĞR. ÜYESİ GÖZDE KARATAŞ BAYDOĞMUŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Science and Technology, Computer Engineering and Computer Science and Control, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Nesnelerin interneti (Internet of Things, IoT) fiziksel nesneleri bir bütün olarak internete bağlayan ve onların birbirleriyle ya da büyük sistemlerle bağlantılı çalışmasını sağlayan bir iletişim ağıdır. IoT, sağlık, tarım, ulaşım gibi birçok alanda uygulamalar sağlayarak insanların yaşamını kolaylaştırmak amacıyla ortaya çıkmıştır. Günümüzde yapay zeka, makine öğrenmesi, bulut bilişim vb. teknolojideki son gelişmelerin bir araya gelmesi IoT kavramının yaygın bir şekilde kullanılmasına sebep olmuştur. Bu sebeple de saldırganlar IoT cihazlarını siber saldırılar için elverişli bir hedef olarak görmektedir. IoT sistemlerine yönelik saldırıların artmasıyla birlikte, bu saldırıların tespit edilmesi amacıyla birçok çalışma gerçekleştirilmiştir. Özellikle derin öğrenme tabanlı yöntemler etkili çözümler olarak önerilmiştir. Ancak, veri hacminin büyük olması ve sınıf dengesizliği gibi problemler, bu yöntemlerin performansını olumsuz yönde etkileyebilmektedir. Bu doğrultuda, bu tez çalışmasında transfer öğrenme yaklaşımı kullanılarak IoT ortamları için etkili bir siber saldırı tespit sistemi geliştirilmesi amaçlanmaktadır. Bu tez kapsamında, çalışmada CIC-IoT-2023 veri kümesi kullanılarak büyük ölçekli ağ trafiği verileri üzerinde analizler gerçekleştirilmiştir. Veri kümesinin yüksek hacimli olması nedeniyle veri işleme sürecinde parçalı (parquet tabanlı) veri yönetimi yaklaşımı benimsenmiş ve ölçeklendirme işlemleri eğitim verisi üzerinden kademeli olarak gerçekleştirilmiştir. Ayrıca veri kümesindeki sınıf dengesizliğinin etkisini azaltmak amacıyla alt örnekleme (undersampling) tabanlı veri dengeleme yaklaşımı ve sınıf ağırlıkları (class weights) kullanılmıştır. Önerilen model kapsamında, derin öğrenme tabanlı mimariler kullanılarak başlangıçta bir temel model eğitilmiş, ardından bu model transfer öğrenme yaklaşımı ile yeniden kullanılarak ince ayar (fine-tuning) işlemi gerçekleştirilmiştir. Model eğitimi süresinde çapraz entropi (cross-entropy) kayıp fonksiyonu ve sınıf ağırlıkları birlikte kullanılarak dengesiz veri probleminin etkileri azaltılmaya çalışılmıştır. Bu yaklaşım sayesinde modelin özellikle az temsil edilen saldırı türlerini daha iyi öğrenmesi hedeflenmiştir. Bu tez çalışması, IoT ortamlarında güvenliği artırmaya yönelik transfer öğrenme tabanlı bir saldırı tespit yaklaşımı sunmaktadır. Elde edilen sonuçlar, önerilen yöntemin büyük ölçekli ve dengesiz veri kümeleri üzerinde etkili bir sınıflandırma performansı sergilediğini ortaya koymakta; transfer öğrenmenin azınlık sınıflarındaki tespit başarısını anlamlı ölçüde artırdığını göstermektedir. Bu bulgular, önerilen yaklaşımın IoT güvenliği alanına somut bir katkı sunduğunu göstermektedir.
Özet (Çeviri)
The Internet of Things (IoT) is a communication network that connects physical objects to the Internet as a whole and enables them to work in connection with each other or with large systems. IoT has emerged to make people's lives easier by providing applications in many areas such as health, agriculture and transportation. Today, the combination of the latest developments in technology such as artificial intelligence, machine learning and cloud computing has led to the widespread adoption of the Internet of Things (IoT). For this reason, attackers see IoT devices as a favourable target for cyber attacks. With the rise in attacks targeting IoT systems, numerous studies have been conducted to detect these attacks. In particular, deep learning-based methods have been proposed as effective solutions. However, issues such as large data volumes and class imbalance can negatively impact the performance of these methods. Accordingly, this thesis aims to develop an effective cyber attack detection system for IoT environments using a transfer learning approach. Within the scope of this thesis, analyses were conducted on large-scale network traffic data using the CIC-IoT-2023 dataset. Due to the high volume of the dataset, a chunk-based (parquet-based) data management approach was adopted during the data processing phase, and scaling operations were performed incrementally based on the training data. In addition, to mitigate the effect of class imbalance in the dataset, an undersampling-based data balancing approach and class weights were employed. Within the proposed model framework, a baseline model was initially trained using deep learning-based architectures, and subsequently, this model was reused through a transfer learning approach to perform fine-tuning. During the training process, the cross-entropy loss function and class weights were jointly employed to mitigate the effects of data imbalance. Through this approach, it was aimed to improve the model's ability to better learn underrepresented attack types. This thesis presents a transfer learning-based intrusion detection approach aimed at enhancing security in IoT environments. The obtained results demonstrate that the proposed method achieves effective classification performance on large-scale and imbalanced datasets, while transfer learning significantly improves the detection performance of minority classes. These findings indicate that the proposed approach provides a substantial contribution to the field of IoT security.
Benzer Tezler
- Androıd kötücül yazılım analizinde derin öğrenme modellerinin performansının karşılaştırılması
Benchmarking of deep learning models for android malware analysis
TAYLAN KURAL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT DENER
PROF. DR. YUSUF SÖNMEZ
- Türkçe konuşma tanıma sistemleri için derin öğrenme tabanlı modellerin geliştirilmesi
Development of deep learning based models for Turkish speech recognition
SAADİN OYUCU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT
- du-CBA: veriden habersiz ve artırımlı sınıflandırmaya dayalı birliktelik kuralları çıkarma mimarisi
du-CBA: data agnostic and incremental classification based association rules extraction architecture
BÜŞRA BÜYÜKTANIR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
DR. ÖĞR. ÜYESİ EYÜP EMRE ÜLKÜ
- Derin öğrenme tabanlı görevlerin kenar bilişim yöntemiyle uzak sunucuya taşınması
Offloading tasks to remote server for deep learning based applications over edge computing system
HÜSEYİN ENES İLHAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Fen bilgisi konularına yönelik REACT stratejisiyle hazırlanan ders materyallerinin etkililiğinin incelenmesi
Examining the effectiveness of the course materials prepared with the REACT strategy for science subjects
RAMAZAN ZİYA YAMAÇ
Doktora
Türkçe
2023
Eğitim ve ÖğretimBolu Abant İzzet Baysal ÜniversitesiMatematik ve Fen Bilimleri Eğitimi Ana Bilim Dalı
PROF. DR. DÜNDAR YENER