Deep learning-based radio frequency fingerprinting in smart grid security
Akıllı şebeke güvenliğinde derin öğrenme tabanlı radyofrekansı parmak izi
- Tez No: 937530
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET KARAKAYA
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Enerji sektöründeki güç sorunlarına yönelik önemli bir çözümlerden biri akıllı şebekelerdir. Akıllı Şebeke ağı, internet bağlantılı akıllı sayaçlar, veri toplayıcılar, jeneratörler ve sensörlerden oluşur. Elektrik enerjisinin üretimi, dağıtımı, iletimi ve kullanımı Akıllı Şebeke ağları üzerinden gerçekleştirilir. Ancak, Akıllı Şebeke sistemlerinin siber saldırılara karşı savunmasızlığı, işleyişini etkileyen önemli bir zayıflık olarak öne çıkmaktadır. Siber saldırılar arasında kimlik sahtekarlığı, trafik analizi, gizlice dinleme, veri tahrifatı, yığın taşması ve hizmet reddi saldırıları yer alır. Siber saldırılara çözüm olarak kriptografik teknikler yaygın bir şekilde kullanılmaktadır. Ancak, genel anahtar altyapısı yavaş çalışmakta ve sertifika iptal listesi boyutunu dengeleme sorunu yaşanmaktadır. Radyo frekansı parmak izi ile kimlik tespiti, umut vadeden bir kriptografik olmayan yaklaşım olmakla birlikte, kullanılmadan önce verimli sinyal ön işleme tekniklerinin uygulanması gerekmektedir. Ayrıca, etkili bir derin öğrenme mimarisinin kullanılması zorunludur. Bu araştırma, Akıllı Şebekelere yönelik siber saldırıları ele almaktadır. Araştırmada, Yapay Sinir Ağları, Tekrarlayan Sinir Ağları ve makine öğrenimi sınıflandırıcıları kullanılarak bir derin öğrenme modeli geliştirilmiştir. Özellikle, bir Evrişimsel Sinir Ağı (CNN), Çift Yönlü Uzun Kısa Süreli Bellek (Bi-LSTM), Rastgele Orman (Random Forest) sınıflandırıcısı ve XGBoost sınıflandırıcısı kullanılarak bir RFF modeli oluşturulmuştur. Elde edilen sonuçlar arasında, XGBoost sınıflandırıcısı %97,7 doğruluk oranı ile en yüksek performansı göstermiştir.
Özet (Çeviri)
One significant remedy for the energy sector's power problems is the smart grid. The smart grid network consists of internet-connected smart meters, data collectors, generators, and sensors. Electrical power supplies are produced, distributed, transmitted, and used through Smart Grid networks. The vulnerability of Smart Grid to cyberattacks is a significant flaw that impacts how it operates. An attack to steal, destroy or interfere with a computer network or system is known as a cyberattack. Some cyberattacks are spoofing, Traffic Analysis, Eavesdropping, Data Tampering, Smash Stacking, and Denial of Service Attacks. Cryptographic techniques have been used a lot as a solution to cyberattacks. Public key infrastructure is slow in operation and balancing the size of the certificate revocation list (CRL) is a problem. Radio Frequency Fingerprint Identification is a promising noncryptographic approach but before it can be utilized, efficient deep signal preprocessing techniques must be used. Also, an efficient deep-learning architecture must be utilized. This research work talks about cyberattacks on smart grids. The research extracts a deep learning model by using Artificial Neural Networks, and Recurrent Neural Networks, and machine learning Classifiers. Specifically, the research extracts an RFF model by using a Convolutional Neural Network, Bi-LSTM, Random Forest classifier, and an XGBoost classifier. Among the results, the XGBoost classifier has the highest accuracy of 97.7%.
Benzer Tezler
- Optimization of deep learning models for real-time rf signal classifications on resource-constrained devices
Sınırlı kaynaklı cihazlarda derin öğrenme kullanarak gerçek zamanlı rf sinyal sınıflandırması optimizasyonu
GÖKSENİN SERTTAŞ
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARIŞ GÜRCAN HAKANOĞLU
- Use of radiofrequency (RF) fingerprinting for device authorizations
Radyo frekansı (RF) parmak izi kullanarak cihaz yetkilendirmesi
RAİF İYİPARLAKOĞLU
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. YASER DALVEREN
- Deep learning based spectrum sensing for cognitive radio systems
Bilişsel radyo sistemleri için derin öğrenme tabanlı spektrum algılama
AHMED TALAB HUSSEIN HUSSEIN
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Okan ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. DİDEM KIVANÇ TÜRELİ
- Derin öğrenme tabanlı frekans atlamalı iletişim sistemlerinde parazit önleme ve frekans seçimi
Interference mitigation and frequency selection in deep learning-based frequency-hopping communication systems
GÖKHAN KAYA
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZGÜR ERTUĞ
- Radyo frekansı sinyalleri ile insansız hava araçlarının makine öğrenmesi temelli tespit edilmesi
Machine learning-based detection of unmanned aerial vehicles with radio frequency signals
EMEL OKKALI
Yüksek Lisans
Türkçe
2024
Mühendislik BilimleriKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. KEREM KÜÇÜK