Utilization of federated learning for ıot device security
Iot cihaz güvenliği için federe öğrenmenin kullanimi
- Tez No: 936667
- Danışmanlar: DOÇ. DR. YASER DALVEREN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
IoT cihazlarının kritik sistemlerde yaygınlaşması, sağlam siber güvenlik mekanizmalarına olan ihtiyacı artırdı. Bu çalışma, ağ saldırı tespiti için bir Federe Öğrenme (FL) çerçevesinin uygulanmasını araştırmakta ve model eğitimini birden çok düğümde ademi merkeziyetçi hale getirerek gizlilik endişelerini ele almaktadır. Bot-IoT, TON_IoT, UNSW-NB15 ve CICIDS2017 gibi veri kümelerini kullanarak, fl'nin DoS, DDoS, Ortadaki Adam ve kaba kuvvet saldırıları dahil olmak üzere çeşitli saldırı türlerini tespit etmedeki etkinliğini değerlendiriyoruz. Kapsamlı deneyler, diğer veri kümelerinde rekabetçi sonuçları korurken, Bot-IoT veri kümesinde% 98,2 doğruluk ve% 97,8 hassasiyet elde ederek yüksek model performansı göstermektedir. Karşılaştırmalı değerlendirmeler, FL yaklaşımının geleneksel merkezi öğrenme modellerine karşı etkinliğini vurgulamaktadır. Kayıp ve doğruluk eğrileri, eğitim sürecinin istikrarını yansıtır ve karışıklık matrisi analizleri, yanlış sınıflandırma kalıpları hakkında fikir verir. Bu çalışma, IoT ortamlarını gelişen tehditlere karşı güvence altına almak için ölçeklenebilir ve gizliliği koruyan bir çözüm olarak fl'nin potansiyelinin altını çiziyor.
Özet (Çeviri)
The proliferation of IoT devices in critical systems has increased the need for robust cybersecurity mechanisms. This study investigates the implementation of a Federated Learning (FL) framework for network intrusion detection, addressing privacy concerns by decentralizing model training across multiple nodes. Utilizing datasets such as Bot-IoT, TON_IoT, UNSW-NB15, and CICIDS2017, we assess the effectiveness of FL in detecting various attack types, including DoS, DDoS, Man-in-the-Middle, and brute force attacks. Extensive experiments demonstrate high model performance, achieving 98.2% accuracy and 97.8% precision on the Bot-IoT dataset, while maintaining competitive results across other datasets. Comparative evaluations highlight the efficacy of the FL approach against traditional centralized learning models. Loss and accuracy curves reflect the stability of the training process, and confusion matrix analyses provide insights into misclassification patterns. This work underscores the potential of FL as a scalable and privacy-preserving solution for securing IoT environments against evolving threats.
Benzer Tezler
- Bulut tabanlı otonom sürüş sıstemlerınde görüntü işleme ıçın tam homomorfık şıfreleme yaklaşımı
A fully homomorphic encryption approach to image processing in cloud based autonomous driving systems
KAMRAN SAEED
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED FATİH ADAK
- Federated learning and distributed inference over wireless channels
Kablosuz kanallar üzerinde federe öğrenme ve dağıtık çıkarım
BÜŞRA TEGİN
Doktora
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. TOLGA METE DUMAN
- A new framework for decentralized social networks: Harnessing blockchain, deep learning, and natural language processing
Merkezsiz sosyal ağlar için yeni bir çerçeve: Blok zinciri, derin öğrenme ve doğal dil işlemeyi kullanmak
AMIR AL KADAH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ BALTA
- The utilisation of federated learning in the classification of magnetic resonance images
Manyetik rezonans görüntülerinin sınıflandırılmasında federasyonlu öğrenmenin kullanımı
BURAK UZDUR
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAdana Alparslan Türkeş Bilim ve Teknoloji ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERKUT TEKELİ
PROF. DR. TURGAY İBRİKÇİ
- Novel data partitioning and scheduling schemes for dynamic federated vehicular cloud
Dinamik federe araç bulutu için yeni bir görev yükü paylaşımı ve iş planlaması şemaları
WISEBORN MANFE DANQUAH
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DENİZ TURGAY ALTILAR