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: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
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
- Anadolu sahası Türk masallarının Holbek yöntemine göre incelenmesi
Analysing Turkish folktales in Anatolia in accordance with Holbek method
SİNAN YAMAN
Doktora
Türkçe
2021
Halk Bilimi (Folklor)Hacettepe ÜniversitesiTürk Dili ve Edebiyatı Ana Bilim Dalı
PROF. DR. METİN ÖZARSLAN
- Transformers using local attention mappings for long text document classification
Uzun metin belgesi sınıflandırması için yerel dikkat haritalamalarını kullanan transformatörler
BEKİR UFUK HAMAN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMA TEKİR
- Toplumsal cinsiyet bağlamında Z kuşağı kadınların kentsel mekan pratikleri
Urban space practices of generation Z women in the context of gender
MAHUR TOPRAK
Yüksek Lisans
Türkçe
2024
SosyolojiBolu Abant İzzet Baysal ÜniversitesiSosyoloji Ana Bilim Dalı
DOÇ. DR. TUĞBA METİN AÇER
- Tonyukuk Yazıtı'nı okuma çalışmaları
Tonyukuk Inscription works of reading
BERKANT PARLAK
Yüksek Lisans
Türkçe
2023
Türk Dili ve EdebiyatıGiresun ÜniversitesiTürk Dili ve Edebiyatı Ana Bilim Dalı
PROF. DR. FERİDUN TEKİN
- Bilimsel makale özetlerinde üstsöylem belirleyicilerinin incelenmesi
The investigation of metadiscourse markers in research article abstracts
EKİN ŞEN