Geri Dön

Nesnelerin i̇nterneti uç bilişim ağlarinda güvenilir kullanici seçimi ile federatif öğrenme modeli

Federated learning model with trustworthy client selection for edge computing in the internet of things

  1. Tez No: 897118
  2. Yazar: NİMET MERVE TELÇEKEN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Milli Savunma Üniversitesi
  10. Enstitü: Atatürk Stratejik Araştırmalar ve Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Siber Güvenlik Bilim Dalı
  13. Sayfa Sayısı: 65

Özet

Nesnelerin İnterneti (Internet of Things (IoT)) ve uç bilişim arasındaki etkileşim büyük miktarda veri işlenmesinde ve analiz edilmesinde kritik bir rol oynamaktadır. IoT uç ağlarında olası kötü niyetli saldırılar nedeniyle toplanan veriler güvenilir olmayabilir ve bu güvenlik sorununu aşmak amacıyla bulut-uç mimarisi için güçlü ve güvenilir bir saldırı tespit sistemi tasarlamak gerekir. Kötü niyetli saldırılar aynı zamanda veri gizliliğini de tehdit eder. Veri gizliliği endişesini ve kullanıcılar arasındaki işbirliği ihtiyacını ele almak amacıyla kullanılabilen federatif öğrenme, yerel modellerin kullanıcılarda eğitildiği ve yerel parametrelerle birlikte global bir modelin ortaklaşa oluşturulduğu bir makine öğrenimi çözümüdür. Bu kapsamda, bu tezde, IoT uç ağları için güvenilir bir kullanıcı seçim modeli oluşturulmuştur. İzolasyon Ormanı (Isolation Forest) yöntemi kullanılarak kullanıcıların güven skorlarını hesaplayan bir güven yönetim mekanizması geliştirilmiş ve ardından veri gizliliğini korumak için güvene dayalı bir federatif öğrenme algoritması önerilmiştir. Bahse konu algoritma, global modelin parametrelerini güncellemek üzere güvenilir kullanıcıların seçilmesini içerir. Kötü niyetli saldırılara karşı güvenilir kullanıcı seçim modelini doğrulamak için kapsamlı deneyler yapılmıştır. Bu kapsamda Dağıtık Hizmet Reddi (Distributed Denial of Service (DDoS)) saldırısı analiz edilmiş ve sistem performansı, Doğruluk (Accuracy), Kesinlik (Precision), Duyarlılık (Recall) ve F1 skoru açısından geleneksel makine öğrenimi yöntemleriyle karşılaştırılmıştır.

Özet (Çeviri)

The interaction between the Internet of Things (IoT) and edge computing plays a critical role in processing and analyzing massive amounts of data. However, due to the malicious attacks of underlying IoT edge networks, the collected data can be untrustworthy, and designing a robust and trustworthy attack detection scheme for cloud-edge collaborative architecture becomes a challenge. e. In addition, malicious attacks also threaten data privacy. To address the data privacy concern and the need for cooperation between clients, federated learning is a cutting-edge machine learning solution, where local models are trained on clients and the global model is jointly constructed with local parameters. In this regard, a trustworthy client selection scheme for IoT edge networks is proposed. Specifically, a trust management mechanism that calculates users' trust scores using the Isolation Forest method has been developed, followed by the proposal of a trust-based federated learning algorithm to protect data privacy. In this algorithm, trustworthy clients are selected to constitute the parameters of the global model. Extensive experiments are conducted to validate the trustworthy client selection model against malicious attacks. In this regard, Distributed Denial of Service (DDoS) attack is analyzed and system performance is compared with traditional benchmark methods in terms of Accuracy, Recall, Precision, and F1 score.

Benzer Tezler

  1. Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services

    5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları

    HASAN ANIL AKYILDIZ

    Doktora

    İngilizce

    İngilizce

    2024

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN ALİ ÇIRPAN

    DR. İBRAHİM HÖKELEK

  2. Manipulation of visually recognized objects using deep learning

    Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi

    ERTUĞRUL BAYRAKTAR

    Doktora

    İngilizce

    İngilizce

    2018

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR BOYRAZ

  3. Nesnelerin internetinde uç bilişim için güven yönetim modeli

    Trust management model for edge computing in the internet of things

    BURCU BOLAT AKÇA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS

  4. Şehir içi trafik sinyal ağının takviyeli öğrenme algoritmaları ve nesnelerin interneti tabanlı kontrolü

    The reinforcement learning algorithms and internet of things based control for urban traffic signal network

    SEYİT ALPEREN ÇELTEK

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AKİF DURDU

  5. Sualtı nesnelerinin interneti için multistatik sonar sensör ağlarında üç boyutlu kapsama dağıtım ve ağ optimizasyonu

    Three-dimensional coverage deployment and network optimization in multistatic sonar sensor networks for the internet of underwater things

    ALPER AVCIOĞLU

    Doktora

    Türkçe

    Türkçe

    2023

    Mühendislik BilimleriGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. ÖMER FARUK BAY

    DR. ALPER BEREKETLİ