Makine öğrenmesi modellerine yönelik gelişmiş çekişmeli saldırı mimarisi
Advanced adversarial attack architecture for machine learning models
- Tez No: 977511
- Danışmanlar: DR. ÖĞR. ÜYESİ İLKER ÖZÇELİK
- 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: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi sistemlerini yanıltmak amacıyla yapılan saldırılar çekişmeli saldırılar olarak tanımlanır. Bu saldırılarda kullanılan küçük pertübasyonlar önemli riskler oluşturur. Bu çalışma, siber güvenlik alanında çekişmeli saldırılar üretmek amacıyla PyTorch tabanlı bir Generative Adversarial Network (GAN) mimarisinin geliştirilmesini sunmaktadır. Araştırma, dört farklı optimizasyon yaklaşımının sistematik karşılaştırmasını içermektedir: Adam optimizasyonu ile eğitilmiş temel GAN modeli, global arama yetenekleri ile öne çıkan genetik algoritma tabanlı GAN yaklaşımı, Pareto-optimal çözümler üreten çok amaçlı evrimsel algoritma (MOEA) GAN stratejisi ve Adam optimizasyonunun hızlı yakınsama avantajlarını evrimsel algoritmaların global arama yetenekleri ile birleştiren yenilikçi hibrit yaklaşım. UNSW-NB15 veri seti üzerinde Random Forest sınıflandırıcısına karşı gerçekleştirilen deneysel çalışmalarda, önerilen hibrit yaklaşım %29.82 doğruluk düşüşü ile en yüksek saldırı etkinliğini göstermiştir. Genetik algoritma tabanlı generator optimizasyonu ile MOEA tabanlı discriminator optimizasyonunun kombinasyonu, geleneksel gradyan tabanlı yöntemlere göre %633 oranında daha yüksek saldırı başarısı sağlamıştır. L2 norm kısıtlaması altında gerçekleştirilen saldırılar, gizlilik-etkinlik dengesini başarılı şekilde korumuştur. Sonuçlar, hibrit optimizasyon stratejilerinin çekişmeli makine öğrenmesinde yeni bir paradigma oluşturabileceğini göstermekte ve hem saldırı hem de savunma perspektifinden siber güvenlik alanında önemli gelişmelere kapı aralamaktadır.
Özet (Çeviri)
Adversarial attacks are defined as attacks aimed at deceiving machine learning systems. The small perturbations used in these attacks pose significant risks. This study presents the development of a PyTorch-based Generative Adversarial Network (GAN) architecture for generating adversarial attacks in the field of cybersecurity. The research includes a systematic comparison of four different optimization approaches: a baseline GAN model trained with Adam optimization, a genetic algorithm-based GAN approach distinguished by global search capabilities, a multi-objective evolutionary algorithm (MOEA) GAN strategy producing Pareto-optimal solutions, and an innovative hybrid approach combining the fast convergence advantages of Adam optimization with the global search capabilities of evolutionary algorithms. In experimental studies conducted against Random Forest classifier on the UNSW-NB15 dataset, the proposed hybrid approach demonstrated the highest attack effectiveness with 29.82% accuracy drop. The combination of genetic algorithm-based generator optimization with MOEA-based discriminator optimization achieved 633% higher attack success compared to traditional gradient-based methods. Attacks performed under L2 norm constraint successfully maintained the stealth-effectiveness balance. Results indicate that hybrid optimization strategies can establish a new paradigm in adversarial machine learning and open doors to significant developments in cybersecurity from both attack and defense perspectives.
Benzer Tezler
- Learning efficient visual embedding models under data constraints
Veri kısıtlamaları altında verimli görüntü gömme modelleri öğrenme
MERT BÜLENT SARIYILDIZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİhsan Doğramacı Bilkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELİM AKSOY
YRD. DOÇ. DR. RAMAZAN GÖKBERK CİNBİŞ
- An affective framework for brain computer interfaces using transfer learning in virtual environments
Sanal ortamlarda transfer öğrenme kullanılarak beyin bilgisayar arayüzleri için duyuşsal çerçeve oluşturulması
MEHMET ALİ SARIKAYA
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Derin öğrenme modelleri ile parkinson hastalığının teşhisinde transfer öğrenme tekniğinin etkinliğinin araştırılması
Investigating of the effectiveness of transfer learning technique in the diagnosis of parkinson's disease using deep learning models
ECEM ZORA
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET DİKMEN
- Developing morphology disambiguation and named entity recognition for amharic
Amharca morfolojik belirsizliği giderme ve adlandırılmış varlık tanıma geliştirilmesi
EBRAHIM CHEKOL JIBRIL
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Zaman-tanım alanında optimum ayarlı kütle sönümleyicisi tasarımına yönelik makine öğrenmesi tabanlı tahmin yöntemi
Machine learning based prediction model for optimum design of tuned mass damper in time-history domain
MELDA YÜCEL
Doktora
Türkçe
2023
İnşaat Mühendisliğiİstanbul Üniversitesi-Cerrahpaşaİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. GEBRAİL BEKDAŞ