Çok katmanlı sinir ağları ile oltalama saldırılarının tespiti ve model karşılaştırması
Detection of phishing attacks using multi-layer neural networks and model comparison
- Tez No: 929385
- Danışmanlar: DR. ÖĞR. ÜYESİ YÜCEL TEKİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yazılım Mühendisliği Bilim Dalı
- Sayfa Sayısı: 91
Özet
Oltalama saldırılarının (phishing attacks) tespitinde derin öğrenme modellerinin etkinliğini analiz etmek ve bu modellerin performanslarını karşılaştırmak, siber güvenlik alanında kritik bir araştırma konusu olarak öne çıkmaktadır. Oltalama saldırıları, bireyler ve kurumlar için ciddi veri ihlallerine yol açabilen ve giderek artan bir tehdit oluştururken, bu saldırıların tespitine yönelik etkin çözümler geliştirmek, siber güvenlik stratejilerinin temel taşlarından biri haline gelmiştir. Bu çalışmanın temel amacı, derin öğrenme tabanlı yaklaşımlar kullanarak oltalama saldırılarının tespitindeki performansı incelemek ve modellerin güçlü ve zayıf yönlerini karşılaştırmalı bir perspektifle değerlendirmektir. Çalışmada, Uzun Kısa Süreli Bellek (LSTM), Geçitli Tekrarlayan Birim (GRU), Çok Katmanlı Algılayıcı (MLP), Artık Ağ (ResNet) ve 1 Boyutlu Evrişimli Sinir Ağı (1D-CNN) gibi farklı derin öğrenme mimarileri kullanılarak modellerin sıralı ve yapısal veri üzerindeki etkinlikleri analiz edilmiştir. Araştırma kapsamında, oltalama saldırılarının yapısal özellikleri, sıralı bağımlılıkları ve farklı model yapılarına olan uyumu ele alınmıştır. Model performansları doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerle değerlendirilerek detaylı analizler yapılmıştır. Çalışmada elde edilen bulgular, LSTM ve GRU modellerinin sıralı veri işleme konusundaki üstünlüklerini, MLP ve 1D-CNN'in genel özellik çıkarımı yeteneklerini ve ResNet'in bu tür verilere uyumluluğunun sınırlı kaldığını ortaya koymuştur. Elde edilen sonuçlar doğrultusunda, oltalama tespitinde en yüksek doğruluk oranı %96.54 ile LSTM modeli tarafından sağlanmış, GRU ve MLP modelleri sırasıyla %96.36 ve %96.26 doğruluk oranlarıyla takip etmiştir. Bu sonuçlar, oltalama saldırılarının tespitinde derin öğrenme mimarilerinin potansiyelini ve her bir modelin güçlü yönlerini optimize etmenin önemini vurgulamaktadır. Bu çalışma, derin öğrenme yöntemlerinin oltalama saldırılarının tespitine uygulanmasında önemli çıkarımlar sunarken, gelecekte hibrit modellerin geliştirilmesi, veri zenginleştirme ve transfer öğrenimi gibi yaklaşımlarla daha güçlü sonuçların elde edilebileceği öngörülmektedir. Bu bağlamda, siber güvenlik alanında derin öğrenme temelli çözümlerin daha etkin hale getirilmesine yönelik katkılar sağlanması hedeflenmiştir.
Özet (Çeviri)
Analyzing the effectiveness of deep learning models in detecting phishing attacks and comparing the performance of these models has emerged as a critical research topic in the field of cybersecurity. Phishing attacks pose a growing threat, leading to significant data breaches for individuals and organizations. Developing effective solutions for detecting such attacks has therefore become a cornerstone of cybersecurity strategies. The primary aim of this study is to examine the performance of phishing detection using deep learning-based approaches and to evaluate the strengths and weaknesses of these models from a comparative perspective. The study employs various deep learning architectures, including Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Multi-Layer Perceptron (MLP), Residual Network (ResNet), and One-Dimensional Convolutional Neural Network (1D-CNN), to analyze their effectiveness on sequential and structural data. The research addresses the structural characteristics of phishing attacks, their sequential dependencies, and the compatibility of different model architectures. Model performance was assessed using metrics such as accuracy, precision, recall, and F1 score, and a detailed analysis was conducted. The findings revealed that LSTM and GRU excel in processing sequential data, while MLP and 1D-CNN demonstrate strong feature extraction capabilities. Conversely, ResNet showed limited compatibility with this type of data. According to the results, the highest accuracy rate of 96.54% was achieved by the LSTM model, followed by GRU and MLP models, which achieved accuracy rates of 96.36% and 96.26%, respectively. These results underscore the potential of deep learning architectures for phishing detection and highlight the importance of optimizing each model's strengths. This study provides significant insights into applying deep learning methods for phishing detection. It suggests that future research could focus on developing hybrid models, enriching datasets, and leveraging techniques like transfer learning to achieve stronger results. In this context, the study aims to contribute to enhancing the effectiveness of deep learning-based solutions in the field of cybersecurity.
Benzer Tezler
- Continual learning with sparse progressive neural networks
Seyrek ilerlemeli sinir ağları ile sürekli öğrenme
ESRA ERGÜN
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- Evrişimli sinir ağları ile yüksek çözünürlüklü uydu görüntülerinden uçak tespiti
Aircraft detection from high resolution satellite images with convolutional neural networks
EMİNE DİLŞAD ÜNSAL
Yüksek Lisans
Türkçe
2021
Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. ELİF SERTEL
- Yalova Gökçe Barajının su seviyesinin yapay sinir ağları ile tahmin edilmesi
Estimation of water level of Yalova Gökçe Dam by artificial neural networks
YUNUS DAMLA
Yüksek Lisans
Türkçe
2020
İnşaat MühendisliğiKırklareli Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDİNÇ KESKİN
DR. ÖĞR. ÜYESİ TEMEL TEMİZ
- İris deseninin yapay zeka yöntemleri ile tanınması
Recognition of iris texture by using artificial intelligence methods
HASAN ERDİNÇ KOÇER
Doktora
Türkçe
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. NOVRUZ ALLAHVERDİ
- Yıllık anlık maksimum akımların, coğrafi veri bileşenleri ve yapay sinir ağları ile modellenmesi
Modeling of annual maximum flows with geographic data components and artificial neural networks
ESRA ASLI ÇUBUKÇU
Yüksek Lisans
Türkçe
2019
İnşaat MühendisliğiKTO Karatay Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET FAİK SEVİMLİ