XAI tabanlı IDS'lerde adversaryal makıne öğrenmesı saldırıları ve transfer edılebılırlığı
Adversarial attack transferability in explainable intrusion detection
- Tez No: 932893
- Danışmanlar: YRD. DOÇ. DR. DUYGU ÇAKIR YENİDOĞAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Arapça
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenimi teknikleriyle oluşturulan Saldırı Algılama Sistemleri, bu tür yaklaşımlar sistem algılama mekanizmalarını aşmak için giriş verilerini değiştirdiğinden, saldırgan saldırılara karşı hassastır. Araştırma, hem NSL-KDD hem de CICIDS-2017 veri kümelerini kullanarak LightGBM ve XGBoost'a karşı IDS modelleri içindeki saldırı aktarılabilirliğini inceler. XAI teknikleri SHAP ve LIME, model kararlarını yönlendiren temel özelliklerin algılanmasına yardımcı olurken, aynı zamanda bu özelliklerin saldırgan saldırılara karşı ne kadar savunmasız hale geldiğinin değerlendirilmesini de mümkün kılar. Sezgisel arama yöntemi, temel özelliklere saldıran saldırgan örnekler üretir. Deneysel araştırmacılar, karar sınırlarındaki ortak güvenlik açıklarını ortaya çıkaran birden fazla IDS çözümü arasında aktarılabilirliği belirlemek için IDS modellerine saldırgan örnekler uyguladılar. Deneysel analiz, tüm modellerin saldırıya karşı savunmasız olduğunu kanıtlayan, doğrulukta karşılık gelen %6-8'lik bir azalma olduğunu ortaya koymaktadır. SHAP ve LIME analizlerinden elde edilen bulgulara göre, saldırgan manipülasyonlar meydana geldiğinde özellik yorumlanabilirliği değişir. Araştırma, saldırılara karşı IDS direncini artırmak için saldırgan eğitim ve optimize edilmiş özellik seçimi içeren iki savunma stratejisini inceler. Araştırma sonuçları, düşmanca tehditlere karşı dayanıklılıkla birlikte açıklanabilirlik yetenekleri sağlayan ancak karar süreci boyunca savunma şeffaflığını koruyan IDS sistemlerinin gerekli gelişimine işaret ediyor. Çalışma, gerçek dünya siber güvenlik operasyonlarındaki gereksinimleri karşılayabilen güvenli yorumlanabilir IDS çözümlerinin ilerlemesine katkıda bulunuyor.
Özet (Çeviri)
The Intrusion Detection Systems built with machine learning techniques remain susceptible to adversarial attacks because such approaches modify input data to overcome system detection mechanisms. The research examines attack transferability within IDS models against LightGBM and XGBoost using both NSL-KDD and CICIDS-2017 datasets. XAI techniques SHAP and LIME help detect essential features that guide model decisions while also making possible the assessment of how vulnerable these features become against adversarial attacks. The heuristic search method generates adversarial samples which attack essential features. The experimental researchers applied adversarial examples to IDS models for determining transferability across multiple IDS solutions which exposed common vulnerabilities in decision boundaries. Experimental analysis reveals a corresponding 6-8% decrease in accuracy which proves that all models are vulnerable to attack. Feature interpretability changes when adversarial manipulations occur based on findings from SHAP and LIME analyses. Research investigates two defensive strategies involving adversarial training and optimized feature selection to enhance IDS resistance against attacks. The research results point to the required development of IDS systems which provide explainability capabilities together with resilience against adversarial threats yet maintain defensive transparency throughout the decision process. The study adds to the advancement of safe interpretable IDS solutions which can meet requirements in real-world cybersecurity operations.
Benzer Tezler
- Bilgisayar ağlarında yeni geliştirilen teknolojiler ile kablosuz ağlarda zafiyet taraması ve saldırı önleme yöntemlerinin incelenmesi
Investigation of vulnerability scanning and attack prevention methods in wireless networks with newly developed technologies
BERAT POLAT
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaramanoğlu Mehmetbey ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. UĞUR ERKAN
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- IoMT ağlar için yapay zeka tabanlı yeni bir saldırı tespit sistemi
A new intrusion detection system for an iomt network based on artificial intelligence
YOUSIF HOSAIN DAKHIL AL-BEHADILI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Saldırı tespit sistemlerinde yapay zekâ tabanlı anomali tespiti
Artificial intelligence-based anomaly detection in intrusion detection systems
AWAB DAW SAAD KHALEFA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN
- Asenkron motorlar için algılayıcısız akı gözlemleyicisi ve kontrolü
Sensorless flux observer and controller for asynchronous motors
COŞKUN ŞAHİN
Doktora
Türkçe
1997
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. METİN GÖKAŞAN