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
- Tez No: 897118
- Danışmanlar: DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS
- 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: Milli Savunma Üniversitesi
- Enstitü: Atatürk Stratejik Araştırmalar ve Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- 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
- 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
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK
- 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
- An effective mechanism for fog computing assisted function based on trustworthy forwarding scheme in internet-of-things (IoT)
Nesnelerin internetinde (IoT) güvenilir iletim şemasına dayalı sis bilgisayar destekli fonksiyonu için etkili bir mekanizma
FATIMAH MOHAMMED HAMEED HAMEED
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ELİF BOZKAYA ARAS