Comparison of methods of privacy-preserving classification based on machine learning algorithms for intrusion detection
İzinsiz giriş tespiti için makine öğrenmesi algoritmalarına dayalı gizliliği koruyan sınıflandırma yöntemlerinin karşılaştırılması
- Tez No: 763035
- Danışmanlar: PROF. DR. ERKAY SAVAŞ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 86
Özet
Siber saldırıların yaygınlaşması ve daha karmaşık hale gelmesiyle, izinsiz giriş tespiti sistemlerini tasarlamak giderek daha zor bir hale gelmektedir. Makine öğrenmesi tabanlı saldırı tespit sistemleri, izinsiz girişlerin hızlı, uyarlanabilir ve doğru tespiti için bir çözüm sunmaktadır. Ancak bu, sınıflandırıcıyı kimin değerlendirdiğine bağlı olarak, saldırı tespit sistemi sağlayıcısının ve kullanıcının, gizli ağ verilerini ve değerlendirme modelini paylaşmasını gerektirir. Sonuç olarak, her iki taraf için de bir gizlilik ihlali riski ortaya çıkar. Homomorfik şifreleme tekniği, şifrelenmiş verilerin bir şifre çözme anahtarı gerektirmeden işlenmesine izin vererek, bu tür gizlilik sorunlarının üstesinden gelmek için bir çözüm sunmaktadır. Bu tekniği kullanarak taraflar, değerlendirme için güvenilmeyen bir tarafla paylaşmadan önce bilgilerini şifreleyebilir. Bununla birlikte, homomorfik şifreleme tekniği maliyeti çok yüksek olabilecek işlemsel ek bir yüke yol açar. Bu nedenle asıl sınıflandırıcıların tespit yeteneklerinden ödün vermeden, toplam işlemlerin ve sınıflandırıcı devrelerin çarpma derinliğinin en aza indirilmesi hedeflenerek homomorfik sınıflandırıcılar tasarlanmaktadır. Bu tez, izinsiz ağa giriş tespiti için farklı makine öğrenme tabanlı sınıflandırıcıların performanslarını karşılaştırmakta ve ayrıca farklı şifreleme senaryolarını değerlendirmektedir. Farklı uygulamaların genel tespit doğruluğu, zamanlama performansı ve güvenlik endişeleri değerlendirilmekte ve tartışılmaktadır.
Özet (Çeviri)
As cyberattacks have become more prevalent and sophisticated, designing and developing intrusion detection systems (IDS) has turned out to be an increasingly challenging task. Machine learning-based intrusion detection systems offer a solution for fast, adaptable and accurate detection of intrusion incidents. However, depending on who is evaluating the classifier, this requires the IDS provider and the user to share the confidential network data and the evaluation model, putting both parties at risk of privacy violations. The homomorphic encryption technique proposes a solution to overcome such privacy issues, by allowing manipulation of encrypted data without requiring a decryption key. Using this technique, the parties may encrypt their private input (e.g., network data or evaluation model) before sharing it with an untrusted party for evaluation. As the homomorphic encryption technique may impose a prohibitively high computational overhead, the homomorphically executed classifiers must be designed to retain the detection abilities of the actual classifiers while minimizing the total computation overhead and multiplicative depth of the circuit that implements the classifiers. This thesis compares the performance of different machine learning-based classifiers for network intrusion detection and also evaluates different encryption scenarios. The overall detection accuracy, time performance, and security and privacy concerns of different implementations are assessed and discussed.
Benzer Tezler
- Ağ trafiğinde etkili olan özniteliklerin tespiti ve yapay sinir ağları ile trafiklerin izin tahmini
Detection of features that are effective in network traffic and permission estimation of traffic with artifical neural network
MUHAMMED ÖZDEMİR
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ESKİ
- Esneklik kavramının konutlarda irdelenmesi ve İstanbul metropolünden seçilen örnekler üzerinden karşılaştırmalı analizi
The examination of the concept of flexibility in housing and a comparative analysis on selected examples of Istanbul metropolis
MEHMET GÜCESAN
Yüksek Lisans
Türkçe
2014
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
YRD. DOÇ. DR. CEMİLE TİFTİK
- Impacts of frequent itemset hiding algorithms on privacy preserving data mining
Sık kümeleri gizleme algoritmalarının gizliliği koruyan veri madenciliği üzerine etkileri
BARIŞ YILDIZ
Yüksek Lisans
İngilizce
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BELGİN ERGENÇ
- Comparison of the effects of data privacy preserving methods on machine learning algorithms in IoT
Nesnelerin internetinde veri gizliliğini koruma yöntemlerinin makine öğrenme algoritmalarına etkilerinin karşılaştırılması
TAJ ELDEEN SALEH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖMER KORÇAK
- Hiding query access patterns in range queries using private information retrieval and oblivious ram
Mahremiyet korumalı erim sorgularında mahremiyet korumalı bilgi erişimi ve ilgisiz bellek kullanarak sorgu erişim örüntüsünün gizlenimi
GAMZE TİLLEM
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAY SAVAŞ