Encode edilmiş bir metnin encode türünün derin öğrenme yöntemleriyle tahmini
Predicting the encode type of an encoded text with deep learning models
- Tez No: 958706
- Danışmanlar: DR. ÖĞR. ÜYESİ OSMAN AKIN
- 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: Ostim Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, kötü niyetli yazılımların sistemlere encoding mekanizmaları üzerinden sızmasını hedef alan saldırı türlerine karşı, encoding türlerini otomatik olarak tespit edebilen bir derin öğrenme modeli çözümü geliştirmeyi amaçlamaktadır. Çalışma kapsamında, Base64, Base32, Ascii85 ve Hexadecimal encode türlerinin yapısal örüntülerine dayanarak sınıflandırılması hedeflenmiş ve hem geleneksel makine öğrenmesi algoritmaları (Naive Bayes, KNN, Decision Tree) hem de derin öğrenme mimarileri (CNN, ResNet50) ile deneyler gerçekleştirilmiştir. Geleneksel yöntemler sınırlı başarı gösterirken, karakter düzeyinde CNN kullanımı ve encoding dizilerinin görselleştirilerek ResNet50 üzerinde sınıflandırılması, en yüksek doğruluğu sağlamıştır. Özellikle transfer öğrenme ile desteklenen modeller, daha az veriyle yüksek genelleme başarısı göstermiştir. Elde edilen sonuçlar, encoding yapılarını tespit eden derin öğrenme tabanlı yaklaşımların, zararlı yazılımların erken tespiti ve siber güvenlik altyapılarına yapay zekâ destekli karar mekanizmalarının entegrasyonu açısından önemli katkılar sunabileceğini göstermektedir.
Özet (Çeviri)
This thesis aims to develop a deep learning model solution that can automatically detect encoding types against attack types that target malicious software to infiltrate systems through encoding mechanisms. The study aims to classify Base64, Base32, Ascii85 and Hexadecimal encodings based on their structural patterns and experiments were conducted with both traditional machine learning algorithms (Naive Bayes, KNN, Decision Tree) and deep learning architectures (CNN, ResNet50). While traditional methods showed limited success, using CNN at the character level and visualizing the encoding sequences and classifying them on ResNet50 provided the highest accuracy. In particular, the models supported by transfer learning showed high generalization success with less data. The results show that deep learning-based approaches that detect encoding structures can make significant contributions to the early detection of malware and the integration of artificial intelligence-supported decision mechanisms into cyber security infrastructures.
Benzer Tezler
- Pre-eklampsi ve eklampsi vakalarında immünoglobülin düzeylerinin değerlendirilmesi (Klinik ve immünobiolojik araştırma)
Examination des valeurs d'immunoglobulines en cas de la toxemie gravidique
M. MURAT SEMİZ
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MÜLAZIM YILDIRIM
- İmara ilişkin bağışlamaların gelişimi ve değerlendirilmesi
Evoution et evaluation des amnisties concernant le constructions et le development du territoire
AHMET LÜTFİ UZEL
Doktora
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
DOÇ. DR. İBRAHİM BOYNUKALIN
- İkili çizgisel kodların incelenmesi ve genel amaçlı kod okuyucu tasarımı
Başlık çevirisi yok
BÜLENT ÖRENCİK
Doktora
Türkçe
1983
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ. DR. EMRE HARMANCI
- Türk sermaye piyasasının ekonomik analizi ve Türkiyede hisse senedi fiyatlarını belirleyen etkenler
L Analyse econoique du marche du capital turc et les facteurs qui determinent les prix des actions en turquie
SADUN ABAÇ