An autoML tool for software vulnerability prediction
Yazılım güvenlik açığı tahmini için autoML aracı
- Tez No: 834986
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜL TOKDEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Çankaya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 207
Özet
Özellikle son yıllarda büyük miktarda verinin daha erişilebilir hale gelmesi ve finans, sağlık, lojistik ve teknoloji gibi sektörlere önemli faydalar sağlaması nedeniyle makine öğreniminin yaygınlaşması kaçınılmaz olmuştur. Farklı sektörlerde kullanılmaya başlayan makine öğrenmesi uygulamalarının hayata geçirilmesi ihtiyacı hızlı ve verimli bir şekilde artmaktadır. Ancak geleneksel yöntemleri kullanarak bir makine öğrenimi modeli oluşturmak için gereken derin teknik bilgi ve kodlama becerilerine herkes yetkin olmayabilir. Bu nedenden dolayı kodsuz veya az kodlu platformlar daha fazla ilgi görmeye başlamıştır. Bu platformlar, kullanıcıların veri kümelerini yüklemesine, modeli oluşturmaya yönelik özellikleri tanımlamasına ve hatta teknik olmayan arayüzlerle modeli eğitmesine ve değerlendirmesine olanak tanır. Bu sayede karmaşık kod yazma ihtiyacını ortadan kaldırarak daha geniş bir kitlenin makine öğrenimi projelerine dahil olmasını mümkün kılar. Bu tezde, diğer kodsuz platformlara ek olarak çalışma zamanı sınırlama ve model bozulma analizi gibi temel özellikleri sunan, yazılım zafiyet analizi için kodsuz makine öğrenimi tahmin modellerinin gerçekleştirilmesine olanak sağlayan bir platform geliştirilmiştir. Bu platform, PPDaaS (Prediction Platform as a Service) olarak adlandırılmıştır ve“Yazılım Güvenlik Açığı”ve“OpenML”veri kümeleriyle tahmin modellerini eğitmek için kullanılmıştır. Başlangıçta platform, AutoML platformları için kullanılan kıyaslama verileriyle test edildi. Sınıflandırma algoritmalarının performansı, makine öğrenimi algoritmaları arasında adil bir karşılaştırma yapmak için“OpenML yetişkin”veri kümesine bir zaman sınırı konularak değerlendirildi. Platform, amaçlanan AutoML işlevleri açısından test edildikten sonra Yazılım Güvenlik Açığı verilerindeki model bozulmasını bulmak için kullanıldı. Son olarak geliştirilen PPDaaS platformuna ilişkin geri bildirimler son kullanıcılardan da toplandı. Sonuçlar geliştirilen PPDaaS platformunun yazılım sektöründe kendine yer bulabileceğini göstermektedir.
Özet (Çeviri)
The popularization of machine learning has been inevitable, especially in recent years, as large amounts of data have become more accessible and provide significant benefits for industries such as finance, healthcare, logistics, and technology. The need to implement machine learning applications, which have started to be used in different sectors, has increased rapidly and efficiently. However, the deep technical knowledge and coding skills required to build a machine-learning model using traditional methods may not be accessible to everyone. Therefore, no-code or low-code platforms have started to attract more attention. These platforms allow users to load datasets, define features for building the model, and even train and evaluate the model with non-technical interfaces. In this way, it eliminates the need to write complex code, making it possible for a wider audience to be involved in machine learning projects. In this thesis, a platform that enables performing no-code machine learning prediction models for software vulnerability analysis is developed, which offers important features such as run-time limiting and model degradation analysis in addition to other no-code platforms. This platform is named PPDaaS (Prediction Platform as a Service) and is used to train prediction models for“Software Vulnerability”and“OpenML”benchmarking datasets. Initially, the platform is tested with benchmarking data that is used for AutoML platforms. The performance of the classification algorithms is evaluated by placing a time limit on the“OpenML adult”dataset, to make a fair comparison between the machine learning algorithms. Once the platform is tested for its intended AutoML functionalities, it is used to find model degradation on Software Vulnerability data. Finally, the feedback about the developed PPDaaS platform is gathered from end users as well. The results indicate that the developed PPDaaS platform can find a place for itself in the software industry.
Benzer Tezler
- Esnek üretim sistemleri
Flexible manufacturing systems
ARMAĞAN EROL ÖZÇELİK
Yüksek Lisans
Türkçe
1993
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÖNÜL YENERSOY
- 3um N-kuyu CMOS teknolojisi ile test kırmığı tasarımı ve tranzistor eşik gerilimi ayarı
Test chip design for 3 um N-well CMOS fabrication technology and threshold voltage adjustment
ZEYNEP D. TOROS
Yüksek Lisans
Türkçe
1991
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. DURAN LEBLEBİCİ
- Meme kanseri tahmininde makine öğrenmesi algoritmaları ve AutoML
Breast cancer diagnosis with machine learning algorithms and AutoML
ARSLAN KARAKAYA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEZAİ TOKAT
- Otomatik makine öğrenmesi ile endüstriyel nesnelerin interneti tabanlı uç sistemlerde gerçek zamanlı saldırı tespit sistemi geliştirilmesi
Development of a real-time intrusion detection system in industrial internet of things based edge systems with automated machine learning
ANIL SEZGİN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ BOYACI
- Development of a high-level synthesis tool specialized on FIR-based multirate systems
SOY tabanlı çoklu hızlı sistemlerde uzman yüksek seviye sentezleyici geliştirilmesi
ARDA YURDAKUL
Doktora
İngilizce
1999
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNHAN DÜNDAR