Makine öğrenmesi ile metin temelli gömmeye dayalı görüntü steganografi analizi
Image steganography analysis based on text-payload embedding with machine learning
- Tez No: 977534
- Danışmanlar: PROF. DR. BAHA ŞEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Adli bilişim, Görüntü analizi, Makine öğrenmesi, Savunma teknolojileri, Siber güvenlik, Siber saldırı, Steganografi, Sınıflandırma, Veri gizleme, Computer forensics, Image analysis, Machine learning, Defence technologies, Cyber security, Cyber attack, Steganography, Classification, Data hiding
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Milli Savunma Üniversitesi
- Enstitü: Alparslan Savunma Bilimleri ve Milli Güvenlik Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Geleneksel siber güvenlik sistemleri, öncelikli olarak farklı tehdit vektörlerine odaklandığından, steganografi yoluyla gerçekleştirilen veri sızıntılarını çoğu zaman gözden kaçırmakta; bu nedenle steganaliz kabiliyetinin bu sistemlere ek bir bileşen olarak kazandırılması gerekmektedir. Bu tez çalışmasında, ek bir güvenlik bileşeni olarak konumlandırılması amacıyla hesaplama maliyeti düşük, modüler ve hafif bir makine öğrenmesi tabanlı steganaliz çerçevesi geliştirilmiştir. Önerilen yaklaşım, görüntülerden öznitelik çıkarımı ve filtreleme adımlarının ardından farklı makine öğrenmesi algoritmaları kullanarak gizli veriyi tespit eden iki aşamalı bir mimari sunmaktadır. Deneysel çalışmalarla ALASKA-2 görüntü veri setindeki kapak görseller üzerinde frekans alanında F5 ve uzamsal alanda OpenStego algoritmalarıyla düşük (%10) ve yüksek (%40) gömme oranlarında stego görüntüler üretilmiş; böylece dört farklı senaryo oluşturulmuştur. Her bir senaryoda model performansı doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metriklerle kapsamlı biçimde değerlendirilmiştir. Özellikle düşük gömme oranlı OpenStego senaryosunda, veri artırma tekniklerinin uygulanması model başarısında belirgin bir iyileşme sağlamıştır. Elde edilen sonuçlar, yüksek gömme oranlı F5 senaryosunda CatBoost algoritmasının (%97), yüksek oranlı OpenStego senaryosunda ise XGBoost (%94) algoritmasının en yüksek tespit performansına ulaştığını göstermiştir. Düşük oranlı gömme durumlarında ise en başarılı modeller farklılık göstermiş; F5 için lojistik regresyon modeli (%77) en iyi sonuçları sağlarken, OpenStego için CatBoost ve LightGBM algoritmalarının yumuşak oylama ile birleştiği bir topluluk (ensemble) modeli en yüksek F1 skorunu (%87) sağlamıştır. Sonuç olarak, bu çalışma ile hem frekans hem de uzamsal alanda etkili biçimde çalışabilen, geleneksel yöntemlerin ortaya çıkaramadığı gizli verileri başarıyla tespit ederek mevcut güvenlik katmanlarını tamamlayan bir steganaliz çözümü sunulmuştur.
Özet (Çeviri)
Conventional cybersecurity systems chiefly focus on other threat vectors and therefore tend to overlook data exfiltration attempts performed via steganography; consequently, a steganalysis capability must be introduced as an auxiliary component to such systems. In this thesis, a low cost, modular and lightweight machine learning-based steganalysis framework has been developed with the aim of serving as an additional security layer. The proposed approach follows a two stage architecture in which handcrafted features are extracted from images and subsequently filtered, after which various machine learning algorithms are employed to detect hidden content. Through experimental studies, stego images were produced on the cover images in the ALASKA‑2 image dataset using the F5 algorithm in the frequency domain and the OpenStego algorithm in the spatial domain at low (10 %) and high (40 %) embedding rates, thereby creating four different scenarios. For each scenario, model performance was comprehensively evaluated using metrics such as accuracy, precision, recall and F1 score. In particular, the application of data augmentation techniques in the low payload OpenStego scenario produced a marked improvement in model performance. The results show that, in the high payload F5 scenario, the CatBoost algorithm achieved the highest detection performance (97 %), whereas in the high payload OpenStego scenario XGBoost obtained the best results (94 %). Under low payload conditions, the optimal models differed: for F5, logistic regression yielded the best outcome (77 %), whereas for OpenStego an ensemble combining CatBoost and LightGBM via soft voting produced the highest F1 score (87 %). In conclusion, the study presents a steganalysis solution that operates effectively in both frequency and spatial domains, successfully uncovering covert data that eludes conventional methods and thereby complementing existing security layers.
Benzer Tezler
- Türkçe'de varlık ismi tanıma
Named entity recognition in Turkish
ASIM GÜNEŞ
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AHMET CÜNEYD TANTUĞ
- Sosyal medyada türkçe nefret söylemlerinin ve Covid-19 yorumlarının makine öğrenmesi, derin öğrenme ve bert teknikleri ile analizi
Analysis of turkish hateful discourses and Covid-19 comments in social media with machine learning, deep learning and bert techniques
HABİBE KARAYİĞİT
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiMersin ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AKDAĞLI
DOÇ. DR. ÇİĞDEM ACI
- Multimodal machine comprehension of how-to instructions with images and text
Görüntü ve metin içeren çok kipli nasıl yapılır talimatlarının makine ile kavranması
SEMİH YAĞCIOĞLU
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ERKUT ERDEM
DOÇ. DR. İBRAHİM AYKUT ERDEM
- Makina öğrenim algoritmaları ile İngilizce metin zorluk seviyelerinin sınıflandırılması: Bir yazılım önerisi
Classification of English texts' difficulty levels through machine learning algorithms: A program recommendation
SOMAYYEH SHABESTANI
Yüksek Lisans
İngilizce
2023
Eğitim ve ÖğretimAtatürk Üniversitesiİngiliz Dili Eğitimi Ana Bilim Dalı
DOÇ. DR. MERVE GEÇİKLİ
- Technical efficiency and irregularities in Turkish municipalities: A dual perspective using dea and machine learning
Türkiye belediyelerinde teknik etkinlik ve usulsüzlük: VZA ve makine öğrenmesi ile ikili yaklaşım
BİLEN BARIŞ EROĞLU