Graf temsilli derin öğrenme ile siber saldırı tespiti
Cyber attack detection with graph-represented deep learning
- Tez No: 1023522
- Danışmanlar: PROF. DR. İLKER TÜRKER
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Saldırı tespit sistemi (IDS), Siber saldırı, Intrusion detection system (IDS), Cyber attack
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüz ağ ortamlarında siber saldırıların çeşitliliğinin ve hacminin artması, karmaşık ağ trafiği davranışlarını modelleyebilen gelişmiş saldırı tespit yaklaşımlarına olan ihtiyacı artırmaktadır. Ağ trafiğinin çoğunlukla ham akış özellikleri üzerinden modellenmesi, özellikler arasındaki zamansal ve yapısal ilişkilerin temsil edilmesini sınırlamaktadır. Bu nedenle ağ trafiğindeki zamansal dinamikleri, doğrusal olmayan ilişkileri ve yapısal örüntüleri daha etkin temsil edebilecek alternatif veri temsil yaklaşımlarına ihtiyaç duyulmaktadır. Görünürlük grafı yaklaşımı, zaman serilerindeki zamansal örüntüleri ve doğrusal olmayan yapıları graf topolojisi aracılığıyla temsil etmeye olanak sağlamaktadır. Bu bağlamda bu tez çalışmasında, ağ tabanlı siber saldırıların tespiti amacıyla GraphDL adı verilen graf tabanlı yapısal bir temsil çerçevesi önerilmektedir. Önerilen yöntemde, CICIDS2018 veri setinden elde edilen ağ akışları kayan pencere yaklaşımı ile zamansal çerçevelere ayrılmış, her bir trafik özelliği için Doğal Görünürlük Grafı (Natural Visibility Graph, NVG) oluşturulmuş ve bu graflardan derece merkeziliği, yakınlık merkeziliği, betweenness merkeziliği, kümeleşme katsayısı, özvektör merkeziliği ve benzeri 19 farklı topolojik ağ metriği elde edilmiştir. Daha sonra elde edilen yapısal özellikler, çok dallı Evrişimsel Sinir Ağı (CNN) mimarisine girdi olarak verilerek çok sınıflı saldırı tespiti gerçekleştirilmiştir. Ayrıca farklı pencere uzunluğu (WL) ve sütun sayısı (CN) yapılandırmaları sistematik olarak analiz edilmiş, önerilen pencere etiketleme stratejisi ve sütun seçim yöntemi ile model performansı değerlendirilmiştir. Deneysel sonuçlar, önerilen yöntemin %75,81–%96,73 doğruluk, %72,32–%96,65 ağırlıklı F1 skoru değerine ulaştığını göstermektedir. Ayrıca önerilen yöntem, görünürlük grafı tabanlı yapısal temsillerin katkısını değerlendirmek amacıyla ham ağ akış özelliklerini kullanan Raw-CNN modeli ile karşılaştırılmıştır. Karşılaştırmalı analizler, Raw-CNN modelinin bazı yapılandırmalarda daha yüksek sınıflandırma başarısı elde ettiğini; buna karşılık önerilen GraphDL yaklaşımının ağ trafiğinin yapısal özelliklerini temsil edebilmesi ve yorumlanabilir topolojik özellikler üretebilmesi bakımından önemli avantajlar sağladığını göstermiştir. Sonuç olarak bu çalışma, ağ trafiğinin görünürlük grafı tabanlı yapısal temsili ile derin öğrenmeyi birleştiren özgün bir saldırı tespit çerçevesi sunmaktadır. Literatürde çoğunlukla graf yapılarının doğrudan GNN tabanlı modellerde kullanıldığı yaklaşımlardan farklı olarak, bu çalışmada görünürlük graflarından elde edilen topolojik metriklerin derin öğrenme modeline yapısal özellik uzayı olarak aktarılması önerilmiş ve böylece ağ trafiğinin görünürlük grafı tabanlı yapısal temsiline dayalı yeni bir veri temsil yaklaşımı önerilerek graf tabanlı siber saldırı tespit çalışmalarına katkı sunulmuştur.
Özet (Çeviri)
The increasing diversity and volume of cyber-attacks in modern network environments have intensified the need for advanced intrusion detection approaches capable of modeling complex network traffic behaviors. The representation of network traffic primarily through raw flow features limits the representation of temporal and structural relationships among features. Therefore, alternative data representation approaches capable of more effectively capturing temporal dynamics, nonlinear relationships, and structural patterns in network traffic are required. The Visibility Graph approach enables the representation of temporal patterns and nonlinear structures in time series through graph topology. In this context, this dissertation proposes a graph-based structural representation framework, referred to as GraphDL, for network-based cyber-attack detection The proposed framework, network flows extracted from the CICIDS2018 dataset are segmented into temporal frames using a sliding window mechanism. A Natural Visibility Graph (NVG) is then constructed for each traffic feature, from which 19 different topological graph metrics, including degree centrality, closeness centrality, betweenness centrality, clustering coefficient, eigenvector centrality, and related measures, are extracted. The resulting structural features are subsequently provided as input to a multi-branch Convolutional Neural Network (CNN) architecture for multi-class intrusion detection. Furthermore, different window length (WL) and column number (CN) configurations were systematically analyzed, and model performance was evaluated using the proposed window labeling strategy and column selection method. Experimental results demonstrated that the proposed method achieved accuracy values ranging from 75.81% to 96.73%, weighted F1-scores ranging from 72.32% to 96.65%. In addition, the proposed approach was compared with a Raw-CNN model trained directly on the original network flow features to evaluate the contribution of visibility graph-based structural representations. Comparative analyses showed that although the Raw-CNN model achieved higher classification performance under certain configurations, the proposed GraphDL framework provides significant advantages by representing the structural characteristics of network traffic and generating interpretable topological features. In conclusion, this study presents a novel intrusion detection framework that integrates visibility graph-based structural representations of network traffic with deep learning. Unlike previous studies that predominantly employ graph structures directly within Graph Neural Network (GNN)-based models, this work proposes transferring topological metrics extracted from visibility graphs to a deep learning model as a structural feature space. Consequently, a novel visibility graph-based data representation approach is introduced, contributing to graph-based cyber-attack detection research.
Benzer Tezler
- Kelime gömme vektörlerinin graf dönüşümü yoluyla metin sınıflandırmada kullanımı
Use of word embedding vectors in text classification through graph conversion
ELİF DORUKBAŞI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. İLKER TÜRKER
- Medical image classification with graph convolutional networks
Grafik konvolusiyonel ağlarla tıbbi görüntü sınıflandırması
PSHTIWAN QADER RASHID RASHID
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. İLKER TÜRKER
- EEG-based alzheimer's disease detection with graph learning techniques
Graf öğrenme tekniklerı ile EEG tabanlı alzheımer hastalığı tespiti
EHSSAN SALMAN OBAID ALJANABI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İLKER TÜRKER
- Ses sinyallerinin graf tabanlı temsillerinin yapay zekâ yöntemleri ile sınıflandırılması
Classification of graph-based representations of audio signals by artificial intelligence methods
SERKAN AKSU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER TÜRKER
- CRISPR-CAS13D ile hedef dışı etkilerin derin öğrenmeyle modellenmesi: DEEPCAS13 modelinin yapısal gRNA verisiyle iyileştirilmesi
Modeling off-target effects of CRISPR-CAS13D via deep learning: refining DEEPCAS13 with structural gRNA data
BUKET BARIŞ
Yüksek Lisans
Türkçe
2025
BiyoteknolojiYıldız Teknik ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. ALPER YILMAZ