Robustness and security deep learning for wireless communications systems
Kablosuz iletişim sistemleri için sağlamlık ve güvenlik derin öğrenme
- Tez No: 768239
- Danışmanlar: Assist. Prof. Dr. SEFER KURNAZ
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Bir kablosuz ağı izinsiz girişlerden korumak ve herhangi bir verinin gizliliğini sağlamak için bir Sızma Tespit Sistemi gereklidir. Birincil amaç, çeşitli ağ tehditlerini tanımlayabilen bir ağ saldırı tespit sisteminin doğru performansını elde etmektir. Bu teklifte, makine öğrenimini ve Derin Güçlendirme Öğrenme Algoritmasını (DRL) kullanarak çeşitli ağ izinsiz giriş biçimlerini tanımlayabilen bir Ağ İzinsiz Giriş Tespit Sisteminin (NIDS) performansını inceledik. Ağa izinsiz giriş tespitinde kullanılan değer tabanlı bir Takviyeli Öğrenme algoritması tekniği olan Derin Ağ yöntemi uygulandı. Ayrıca, çeşitli saldırı türlerinin aksine modelimizin doğruluğunu inceledik. Bu çalışmada DNN modelimizi QSVM, yapay sinir ağı, KNN ve LDAe gibi çeşitli yaklaşımlar kullanılarak oluşturulmuş önceki bir modelle karşılaştırdık. Amacımız, önceki uzmanlığa veya ilk denemeye güvenmeden farklı saldırı türlerini tanımaktır. Yanlış uyarıların sıklığını sınırlamak için veri toplamayı kullandık. Önceki çalışmalar, tüm modeller için aynı özellikleri içeren UNSW-15 Veri Kümesi gibi bir kıyaslama veri kümesine dayanıyordu. Çeşitli saldırı türlerinin tespitine yardımcı olan 85 özellik üzerinde çalıştık.
Özet (Çeviri)
In order to defend a wireless network from intrusion and ensure the confidentiality of any data, an Infiltration Detection System is required. The primary goal is to achieve accurate performance of a network intrusion detection system capable of identifying various types of network threats. In this proposal, we studied the performance of a Network Intrusion Detection System (NIDS) that can identify various forms of network intrusions by utilizing the machine learning and Deep Reinforcement Learning Algorithm (DRL). The Deep Network method, a value-based Reinforcement Learning algorithm technique utilized in network intrusion detection, was applied. Furthermore, we examined our model's accuracy in contrast to various types of attacks. We compared our DNN model to a previous model constructed utilizing several approaches such as QSVM, artificial neural network, KNN, and LDAe in this study. Our goal is to recognize different types of attacks without relying on prior expertise or the first attempt. To limit the frequency of false alerts, we employed data collection. Previous studies depended on a benchmark dataset, such as the UNSW-15 Dataset, which contains the same characteristics for all models. We worked on 85 characteristics that aided in the detection of various types of attacks.
Benzer Tezler
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Deep fake image detection based on deep learning using a hybrid CNN-LSTM with machine learning architectures as classifier
Makine öğrenme mimarileri kullanılarak hibrid CNN-LSTM ile derin öğrenmeye dayalı deep fake görüntü tespiti
OMAR ALFAROUK AL-DULAIMI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- An intelligent atrous convolution-based cascaded deep learning framework for enhanced privacy preservation performance in edge computing
Kenar bilişiminde geliştirilmiş gizlilik koruma performansı için akıllı atrous konvolüsyon tabanlı derin öğrenme çerçevesi
FATIMA ABUSIRYEH
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM
- Novel cyber security approaches using deep learning methods for ıot solutions
Iot çözümleri için derin öğrenme yöntemlerini kullanan yeni siber güvenlik yaklaşimlari
MUHAMMAD MUHAMMAD INUWA
Doktora
İngilizce
2025
Bilim ve TeknolojiFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. RESUL DAŞ
- Siber güvenlik sistemleri için dinamik ve artımlı makine öğrenmesi yaklaşımları
Dynamic and incremental machine learning approaches for cyber security systems
ENGİN BAYSAL
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ