Training and modelling with privacy in network data using machine learning
Makine öğrenimini kullanarak ağ verilerinde gizlilikle eğitim ve modelleme
- Tez No: 898239
- Danışmanlar: DOÇ. DR. ENGİN MAŞAZADE
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzün veri odaklı ortamında, özellikle de Nesnelerin İnterneti cihazlarının yaygın olarak benimsenmesiyle birlikte gizlilik kaygıları çok önemli hale gelmiştir. Bu çalışmada, bu endişeleri gidermek için makine öğrenimi algoritmalarının, özellikle de Gaussian Naive Bayes, Logistic Regression ve Decision Tree Diferansiyel Gizlilik gibi gizliliği koruyan tekniklerle entegrasyonu araştırılmıştır. Bu yenilikçi yaklaşımın ilkeleri, yöntemleri ve sonuçları derinlemesine incelenmiş olup; Diferansiyel Gizlilik kullanılmayan makine öğrenmesi algoritması ile doğruluk karşılaştırması yapılmıştır. 83 ağ özelliği, 3 etiket sütunu ve 9 farklı saldırı türü ile nesnelerin interneti ağ trafiğini temsil eden bir veri kümesi kullanılarak yapılan bu çalışma Diferansiyel Gizliliğe sahip çeşitli makine öğrenmesi algoritmalarının, bireysel gizliliği korurken verileri nasıl etkili bir şekilde sınıflandırabildiğini göstermiştir. Gizlilik korumasının, sınıflandırma doğruluğunda karşılık gelen bir düşüşe rağmen, daha düşük ϵ değerlerinde bile doğruluğu gözlemlenmiştir. Bu, veri hassasiyetinin çok önemli olduğu IoT uygulamalarında Diferansiyel Gizliliğin güçlü gizlilik koruması sunma konusundaki potansiyeline işaret etmektedir.
Özet (Çeviri)
Privacy concerns have become paramount in today's data-driven landscape, particularly with the widespread adoption of Internet of Things (IoT) devices. This work explores the integration of machine learning algorithms, specifically Gaussian Naive Bayes, Logistic Regression and Decision Tree, with privacy-preserving techniques like Differential Privacy to address these concerns. We delve into this innovative approach's principles, methods, and implications. Using a dataset representative of IoT network traffic, with 83 network features and 3 label column and 9 various attack types. We demonstrate how three various machine learning algorithms with Differential Privacy can effectively classify data while safeguarding individual privacy, highlighting its significance in pervasive connectivity and data-driven decision-making. Privacy protection is robust even at lower ϵ values, albeit with a corresponding decrease in classification accuracy. This underscores the potential of differential privacy to offer strong privacy protection in IoT applications where data sensitivity is a paramount concern.
Benzer Tezler
- Veri anonimleştirme tekniklerinin makine öğrenmesi ile sınıflandırma performansı üzerindeki etkilerinin karşılaştırmalı analizi
Comparative analysis of the effects of data anonymization techniques on classification performance i̇n machine learning
ZEHRA BEGÜM AKTOLGA
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Federe öğrenme kullanılarak nesnelerin interneti (IOT) verileri analizi
Analyzing internet of things (IOT) data using federated learning
SÜLEYMAN BURAK ALTINIŞIK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TURGAY TUGAY BİLGİN
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Minority class augmentation in tabular data using generative adversarial network models
Üretken çekişmeli ağ modelleri kullanarak tablo verisinde azınlık sınıf artırımı
ESRANUR POLAT
Yüksek Lisans
İngilizce
2023
İstatistikOrta Doğu Teknik Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FULYA GÖKALP YAVUZ
- Privacy-Preserving Intrusion Detection over Network Data
̆Ag Verileri ̈Uzerinden Gizlilik Korumalı ̇Izinsiz Giris ̧ Algılama
LEYLI KARAÇAY
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSabancı ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
PROF. DR. ERKAY SAVAŞ