Federe öğrenmede güvenlik
Security in federated learning
- Tez No: 936966
- Danışmanlar: PROF. DR. GÜZİN ULUTAŞ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 144
Özet
Günümüzde yapay zeka sistemlerinin yaygınlaşmasıyla birlikte, veri gizliliği ve güvenliği konuları giderek daha fazla önem kazanmaktadır. Bu bağlamda ortaya çıkan federe öğrenme, merkezi veri toplama gereksinimini ortadan kaldırarak kullanıcı mahremiyetini korumayı hedefleyen yenilikçi bir yaklaşımdır. Ancak bu dağıtık öğrenme yapısı, beraberinde birtakım güvenlik açıklarını da getirmektedir. Literatürdeki savunma mekanizmalarının kısıtlı varsayımlara dayanması ve yeterli deneysel bulgulardan yana eksiklik göstermesi, yeni ve etkili çözümlerin geliştirilmesini zorunlu kılmaktadır. Bu tez çalışmasında, karşılaşılan güvenlik tehditlerine ve literatürdeki eksiklikleri gidermek için iki özgün savunma algoritması önerilmiştir: nöron seçimine dayalı dinamik LD-SFL ve yüksek oranda kötü niyetli kullanıcı içeren senaryolarda dahi etkili çalışan NC-FLD. Deneysel çalışmalar CIFAR-10, F-MNIST, MNIST gibi yaygın kullanılan veri setlerinin yanı sıra TURBT ve GTSRB gibi gerçek dünya veri setleri üzerinde gerçekleştirilmiştir. Sonuçlar, önerilen savunma algoritmalarının hem IID hem de non-IID veri dağılımlarında, çeşitli saldırı senaryolarına karşı etkili olduğunu ve gerçek hayattaki federe öğrenme sistemlerine entegre edilebileceğini göstermektedir.
Özet (Çeviri)
With the recent advancements of artificial intelligence systems, data privacy and security concerns have become increasingly important in research. In this context, federated learning has emerged as an innovative approach that aims to protect user privacy by eliminating the requirement for centralized data collection. However, this distributed learning architecture inherently introduces various security vulnerabilities. The existing defence mechanisms in the literature demonstrate significant limitations due to their restrictive assumptions and insufficient empirical validation, necessitating the development of novel and effective solutions. This doctoral dissertation proposes two original defence algorithms to address these security threats and bridge the gaps in existing literature: the dynamic LD-SFL based on neuron selection, and NC-FLD, which demonstrates robust performance even in scenarios with a high proportion of malicious users. Comprehensive experimental studies have been conducted on widely adopted benchmark datasets including CIFAR-10, F-MNIST, and MNIST, as well as real-world datasets such as TURBT and GTSRB. The experimental results demonstrate that the proposed defence algorithms exhibit superior effectiveness against various attack scenarios in both IID and non-IID data distributions, indicating their potential for integration into real-world federated learning systems.
Benzer Tezler
- Federe öğrenmede saldırılara dayanıklı birleştirme
Attack robust aggregation in federated learning
EYÜPCAN ÇELİK
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiİZMİR BAKIRÇAY ÜNİVERSİTESİElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET KEMAL GÜLLÜ
- İstatiksel yayılım yöntemleri ile ataklara dayanıklı federe öğrenme
Attack-resistant federated learning with statistical propagation methods
FATMA ZEHRA SOLAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. GÜZİN ULUTAŞ
- Unveiling the wireless network limitations in federated learning
Kablosuz internet ağlarındaki kısıtların federe öğrenmeye olan etkilerinin ortaya çıkarılması
MÜMTAZ CEM ERİŞ
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ
DOÇ. DR. BURAK KANTARCI
- Privacy and security enhancements of federated learning
Federe öğrenme uygulamalarında mahremiyet ve güvenlik geliştirmeleri
ŞÜKRÜ ERDAL
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ENVER ÖZDEMİR
DR. FERHAT KARAKOÇ
- Federe öğrenme algoritmaları, açık kaynak çerçeve ve kütüphaneleri
Federated learning algorithms, open source frameworks and libraries
ÖMER FARUK GÖÇGÜN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Katip Çelebi ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. FEMİN YALÇIN KÜÇÜKBAYRAK
DOÇ. DR. AYTUĞ ONAN