Klavye vuruş zamanlama verileri üzerinde makine öğrenmesi uygulamaları
Machine learning applications on keyboard timing data.
- Tez No: 863920
- Danışmanlar: DOÇ. DR. HASAN TEMURTAŞ, DR. ÖĞR. ÜYESİ ÇİĞDEM BAKIR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kütahya Dumlupınar Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Kullanıcı kimlik doğrulaması, dijital gerçekleştirilen hizmetlerin güvenliğinin sağlanarak yetkisiz kullanıcıların sisteme girerek verilerin paylaşımını, değişikliğine ve bozulmasını önleyen önemli bir uygulamadır. Tuş vuruşu dinamiği, sistemin güvenliğini sağlamak için sisteme giriş yapan kullanıcıların yazma işlemlerini araştıran biyometrik bir uygulamadır. Veri analizi, test protokolleri, verinin değerlendirilmesi ile düzensizliği ve insan davranışlarına bağlı gerçekleştirilmesi gibi sebeplerden dolayı tuş verilerinin sınıflandırılması oldukça zordur. Çünkü aynı kullanıcıya ait farklı zaman dilimlerinde çok sayıda şifre girişi vardır. Bu sebeple biyometrik tabanlı tuş vuruşu tanıma sistemlerine ihtiyaç bulunmaktadır. Bu problemlerden yola çıkarak bu çalışmada Karar Ağaçları, Rastgele Orman, Extra Tree, K-En Yakın Komşuluk (KNN) ve Destek Vektör Makineleri (DVM) gibi makine öğrenimi yöntemleri ile Derin Sinir Ağları (Deep Neural Network - DNN) ve Evrişimsel Sinir Ağları (Convoluational Neural Network - CNN) gibi derin öğrenme modelleri kullanılarak tuş vuruş dinamikleri sınıflandırılmıştır ve kullanılan tüm yöntemlerin sonuçları karşılaştırmalı olarak sunulmuştur. Siber güvenlik ve kullanıcı kimlik doğrulamasının çok önemli olduğu çağımızda, farklı makine öğrenimi teknikleri yapılan bu çalışma ile kullanıcı davranış verilerinin daha iyi anlaşılması ve kullanılması gerçekleştirilmiştir. Çalışmada kullanılan her yöntem için uygun parametre belirlenerek sistemin doğruluğunun arttırılması amaçlanmıştır. Ayrıca bu çalışma ile karmaşık davranışsal verilerin deşifre edilmesi ve dijital sistemlerin güvenliğinin artırılmasında güvenli bir kullanıcı tanıma aracı sağlayan kimlik doğrulama güvenlik yöntemlerine ışık tutulmuştur.
Özet (Çeviri)
Having a healthy user identity and ensuring the security of digital money is an important practice that prevents users from sharing, changing and corrupting what is stored in the systems. Keystroke dynamics is a biometric application that investigates what users log in to the system to increase the system. It is very difficult to classify keystroke data due to reasons such as data analysis, test protocols, evaluation and calibration of data, and human performance. Because there are many password entries for the same user in different time periods. Therefore, biometric-based keystroke recognition systems are needed. Based on these problems, these results are obtained by machine options such as Decision Trees, Random Forest, Extra Tree, k-nearest neighborhood (kNN) and Support Vector Machines (SVM), Deep Neural Network (DNN) and Convolutional Neural Networks. Keystroke dynamics were classified using deep learning models such as (Convoluational Neural Network - CNN) and the results of all used modes were presented comparatively. In our age where cyber security and user authentication are very important, this study using different machine solutions techniques has enabled a better understanding and use of user behavior data. By determining the appropriate parameter for the method used in the study, the accuracy of the system gradually increases. In addition, this study shed light on identity system security methods that provide a secure user identification tool for encrypting complex behavioral data and protecting the security of digital systems.
Benzer Tezler
- Makine öğrenimi teknikleri kullanılarak parmak vuruş hareketi verileri ile parkinson hastalığı tespiti
Detection of parkinson's disease with finger tapping data using machine learning techniques
BAHAR DEMİR
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
DOÇ. DR. OĞUZHAN ERDEM
DR. ÖĞR. ÜYESİ Sezer ULUKAYA
- Bağlamsal doğrulama içerisinde ek özellik olarak klavye dinamiği analizi ve değerlendirilmesi
Analysis and evaluation of keystroke dynamics as a feature of contextual authentication
OĞUZHAN SALMAN
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AYDIN SELÇUK
- Parkinson hastalığının tuş vuruş datası kullanılarak tespiti
Detection of Parkinson disease by using keystroke data
NEZİF TAMSON
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA YILMAZ
- 1996 Avrupa Futbol Şampiyonası gol analizleri ve Türk Milli Takımının ikili mücadele-pas analizleri
Duel-pas analysis of Turkish National Team and goal analysis in the 1996 European Football Championships
ORHAN IŞIK
Yüksek Lisans
Türkçe
1999
SporTrakya ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
YRD. DOÇ. DR. İLHAN TOKSÖZ
- Klavye dinleme ve önleme sistemleri analiz, tasarım ve geliştirme
Analysis, design and implementation of keyloggers and anti-keyloggers
GÜROL CANBEK
Yüksek Lisans
Türkçe
2005
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ.DR. ŞEREF SAĞIROĞLU