Geri Dön

Domain free deep learning based security models for cyberphysical systems

Siberfiziksel sistemler için alan bağımsız derin öğrenme tabanlı güvenlik modelleri

  1. Tez No: 639110
  2. Yazar: DİLARA GÜMÜŞBAŞ
  3. Danışmanlar: PROF. DR. TÜLAY YILDIRIM
  4. Tez Türü: Doktora
  5. Konular: Bilim ve Teknoloji, Mühendislik Bilimleri, Science and Technology, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 83

Özet

Dijital çağdaki gelişmeler ve IoT'a yönelik artan ilgiyle, çeşitli kurum ve kuruluşlar kendi sistemlerini dijitallestirmeye baslamışlardır. Bu dijitalleştirmelerin sonucunda, büyük miktarlardaki kişisel verilerin internet yoluyla toplanması, ulaşılması ve iletilmesi önemli bir konu haline gelmiştir. Özellikle de, güvenlik sistemleri gibi siberfiziksel sistemler (SFS) üzerinde toplanan, iletilen ve kaydedilen verilerin güvenliği çok büyük önem kazanmıştır. Son zamanlarda, güvenlik sistemleri için yapılan çoğu çalışma en gelişkin Derin Öğrenme (DÖ) metodları kullanılarak gerçeklenmiştir. Lakin, çığır açıcı sonuçlara rağmen, bu çalışmaların çoğu ya belirli veri setlerine meyilli olacak şekilde öğrenmiştir ya da gerçek zamanlı kullanmak için çok karışık ve hesapsal yükü fazladır. Dahası, DÖ algoritmaları giriş verisinden en anlamlı özellikleri çıkarabilmek için çok sayıda giriş veri örnegine ihtiyaç duyar bunun sonucunda sınıflar arası verinin dengesiz olduğu yada sınıflanmamış veri örneklerinin olduğu gerçek durumlar için dezavantaj haline gelir. Bu sebeple, bu tezin ilk amacı kapsamlı bir araştırma yürütmek ve AI-tabanlı yeni yaklaşımları güvenlik temalı sistemlerdeki iki farklı çalışma alanı -biyometrik sistemler ve siber güvenlik sistemleri- için analiz etmektir. Özellikle de, yeni kapsül-tabanlı elde edilmiş özellikler ayrıntılı bir şekilde incelenmiş ve bu özellikler ilk kez bu iki çalışma alanı için eşdeğer en-gelişkin algoritma tabanlı özellikler ile kıyaslanmıştır. İkinci amaç ise özelliklerin görüntü uzayında değil, zaman uzayında olduğu ve referans veri setlerinin görüntü veri setleri gibi birbiriyle yeterli miktarda ortak özellik uzayının olmadığı siber güvenlik sistemleri için Transfer Öğrenme (TÖ) üzerine çalışma yapmaktır. Buna ek olarak, güvenlik sistemlerini farklı özellik uzaylarına uyarlayabilmek ve varolan farklı şekilde toplanmış ve ayrı özellik uzaylarına sahip referans veri setlerini kullanarak genelleştirebilmek için muhtemel senaryolar incelenmiştir.

Özet (Çeviri)

With the developments in digital age and growing interest in IoT, a variety of institutions and organizations have started to digitalize their systems. As a consequence of these digitalizations, security of collecting, accessing and transferring great amounts of private data via internet connection have became an important issue. In particular, protection of data collected, transmitted and stored on cyberphysical systems (CPS) such as security systems have gained great importance. Recently, many studies have been conducted using state-of-the-art Deep Learning (DL) algorithms for security systems. However, despite their groundbreaking results, most of these studies either are biased to some particular datasets or too complex and computationally-expensive to be used in real time. Moreover, DL algorithms require a lot of input data to extract the most informative feature representations and become disadvantageous in real situations, where imbalances among classes and unlabelled samples in input data are quite common. Therefore, first goal of this dissertation is to conduct a comprehensive research and to study AI-based new approaches for two different domains of security-themed systems: biometric systems and cybersecurity. In particular, new Capsule-based feature representations for these domains are investigated in detail and these representations are compared with their equivalent state-of-the-art algorithm-based models for the first time. Second goal is to conduct an experiment on Transfer Learning (TL) for cybersecurity, where features are in time-domain and benchmark datasets do not share sufficient common feature space with each other like image-domain counterparts such as biometric systems to use pre-trained network in 1D. In addition, possible scenarios are examined to adapt security systems into different domains and generalize by using available benchmark datasets with different traffic collection as well as feature spaces.

Benzer Tezler

  1. Deep learning based offline handwritten character recognizer systems with a multilingual handwritten character dataset

    Derin öğrenme tabanlı çevirimdışı etkileşimsiz el yazılı karakter tanıma sistemleri ile çok dilli el yazısı karakter veri seti

    GAYE EDİBOĞLU BARTOS

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. YAŞAR HOŞCAN

    DOÇ. DR. ÉVA NAGYNÉ HAJNAL

  2. Self-supervised deep convolutional neural network training for low-dose CT reconstruction

    Düşük dozlu BT geriçatması için derin evrişimli sinir ağlarının öz denetimli eğitimi

    MEHMET OZAN ÜNAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

  3. Video analysis based fish detecton and tail beat frequency estimation in fishways

    Video analizi ile balık geçitlerinde balık tanıma ve kuyruk sallama frekansı tahmini

    YASİN YILDIRIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. BEHÇET UĞUR TÖREYİN

    PROF. DR. SERHAT KÜÇÜKALİ

  4. Nesnelerin interneti için adilliğe duyarlı derin pekiştirmeli öğrenme tabanlı GF-NOMA tasarımı

    Design of fairness aware deep reinforcement learning-based GF-NOMA for internet of things

    ABDULLAH BALCI

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiEge Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RADOSVETA İVANOVA SOKULLU

  5. Self-training for unsupervised domain adaptation

    Denetimsiz alan uyarlama için kendi-kendine öğrenme

    İBRAHİM BATUHAN AKKAYA

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR HALICI