Derin sinir ağları ile federe öğrenme tabanlı bir kötü amaçlı yazılım tespit uygulaması
A federated learning based malware detection application with deep neural networks
- Tez No: 878334
- Danışmanlar: DOÇ. DR. KAZIM YILDIZ
- 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: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 103
Özet
Kötü amaçlı yazılımların olası tehditleri, veri güvenliği alanının yalnızca bir yönünü teşkil eder. Bunun yanında, veri mahremiyeti de verinin güvenliği için kaçınılmaz bir bileşen olarak öne çıkmaktadır. Uzun zamandır klasik makine öğreniminde benimsenen, verinin merkezi bir cihazda toplanıp-işlenmesi yöntemi, veri mahremiyeti açısından bir dizi problemi de beraberinde getirmiştir. Günümüzde verilerin bu şekilde toplandığı birçok merkezi bilgi sistemi, saldırgan olarak nitelenen kötü niyetli kullanıcılar tarafından hedef haline getirilmiştir. Öte yandan federe öğrenme yöntemi ise hem veri mahremiyetini sağlaması açısından hem de verinin tek merkezde toplanma zorunluluğunu kaldırması açısından, makine öğrenimindeki verinin işlenmesinde, sağlam bir çözüm sunmaktadır. Bu tez çalışmasında da aynı derin öğrenme mimarisini kullanan, farklı kullanıcı sayılarına sahip federe öğrenme tabanlı modeller ile federe olmayan klasik yaklaşımlı modellerin verdiği sınıflandırma sonuçları, birçok açıdan karşılaştırılmıştır. Kanada Siber Güvenlik Enstitüsü tarafından hazırlanan CIC-MalMem-2022 veri seti kullanılarak hem malware tespiti hem de malware sınıflandırması gerçekleştirilmiştir. Feedforward Neural Network (FNN) ve Long Short-Term Memory (LSTM) adlı derin öğrenme algoritmalarının kullanıldığı çalışmada, ikili ve çoklu sınıflandırmalar için farklı niteliklere sahip, dördü federe olmayan olan, toplamda 28 adet model test edilmiş ve sonuçları tartışılmıştır.
Özet (Çeviri)
The potential threat of malware is only one aspect of data security. Data privacy is also an inevitable component of data security. The method of collecting and processing data on a centralized device, which has long been adopted in classical machine learning, has brought with it a number of problems in terms of data privacy. Today, many centralized information systems where data is collected in this way have been targeted by malicious users who are considered as attackers. On the other hand, federated learning provides a robust solution for processing data in machine learning, both in terms of ensuring data privacy and eliminating the need to centralize the data. In this thesis, the classification results of federated learning-based models with different numbers of users using the same deep learning architecture are compared with the classification results of non-federated classical approach models in many aspects. Both malware detection and malware classification were performed using the CIC-MalMem2022 dataset prepared by the Canadian Cyber Security Institute. In the study, Feedforward Neural Network (FNN) and Long Short-Term Memory (LSTM) deep learning algorithms were used, and a total of 28 models with different attributes for binary and multiple classifications, four of which were non-federated, were tested and the results were discussed.
Benzer Tezler
- Convolutional ensemble learning for edge intelligence
Kenar zeka için evrişimsel topluluk öğrenmesi
İLKAY SIKDOKUR
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. ARDA YURDAKUL
DR. ÖĞR. ÜYESİ İNCİ MELİHA BAYTAŞ
- Contribution a la recherche d'un cadre juridique pour un droit international de laconcurrence plus efficace
Daha etkin bir uluslararası rekabet için hukuki çerçeve arayışı
ALİ CENK KESKİN
Doktora
Fransızca
2009
HukukGalatasaray ÜniversitesiKamu Hukuku Ana Bilim Dalı
PROF. DR. JEAN MARC SOREL
PROF. DR. HALİL ERCÜMENT ERDEM
- Synthetic aperture radar imaging with deep neural networks
Derin sinir ağları ile sentetik açıklıklı radar görüntüleme
MUHAMMED BURAK ALVER
Doktora
İngilizce
2020
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MÜJDAT ÇETİN
PROF. DR. SELİM BALCISOY
- Student learning analysis in e-learning using deep neural networks
Derin sinir ağları ile e-öğrenmede öğrenci öğrenme analizi
YUSUF CAN SEMERCİ
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DIONYSIS GOULARAS
- Derin sinir ağları ile EEG ve alın EOG tabanlı duygu analizi
EEG and forehead EOG based emotion analysis with deep neural networks
HÜSEYİN ÇİZMECİ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CANER ÖZCAN