Derı̇n evrı̇şı̇msel sı̇nı̇r ağları ı̇le akıllı ev sı̇stemlerı̇nde sı̇ber saldırılara karşı ağ güvenlı̇ğı̇nı̇n artırılması
Enhancing network security against cyber attacks in smart home systems with deep convolutional neural networks
- Tez No: 984514
- Danışmanlar: DOÇ. DR. CEMAL KOÇAK
- 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: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Akıllı ev ortamlarında Nesnelerin İnterneti (Internet of Things-IoT) cihazlarının hızla yaygınlaşması siber güvenlik risklerini önemli ölçüde artırmış ve akıllı, uyarlanabilir ve proaktif tehdit azaltma çözümlerinin geliştirilmesini gerektirmiştir. Geleneksel imza tabanlı Saldırı Tespit Sistemleri (Intrusion Detection Systems-IDS) ve kural tabanlı anomali tespit teknikleri, sıfırıncı gün saldırılarını, düşmanca izinsiz girişleri ve gelişen siber tehditleri tespit etmede önemli sınırlamalar sergilemektedir. Bu zorlukların üstesinden gelmek için bu tez çalışmasında, akıllı evlerde siber saldırı riskini azaltmak ve ağ anormalliği tespitini geliştirmek için Takviyeli Öğrenme Tabanlı Uyarlanabilir Tehdit Azaltma (Reinforcement Learning-Based Adaptive Threat Mitigation-RL-ATM) modeli önerilmiştir. RL-ATM modeli, akıllı ev IoT cihazlarını hedef alan gerçek dünyadaki siber tehditlerin kapsamlı bir koleksiyonu olan IoT-23 veri kümesi kullanılarak eğitilmiş ve doğrulanmıştır. Deneysel değerlendirmeler, RL-ATM'nin imza tabanlı IDS, anomali tabanlı makine öğrenimi modelleri ve derin takviyeli öğrenme (Seep Reinforcement Learning-DRL) mimarileri dahil olmak üzere mevcut siber güvenlik çözümlerinden önemli ölçüde daha iyi performans gösterdiğini doğrulamaktadır. Önerilen model %98,87 doğruluk, %97,49 kesinlik, %98,36 geri çağırma ve %1,8 azaltılmış yanlış pozitif oranı (Reduced False Positive rate-FPR) elde ederek gerçek dünyadaki akıllı ev uygulamaları için son derece güvenilir bir siber güvenlik çerçevesi olarak kendini kanıtlamıştır.
Özet (Çeviri)
The rapid proliferation of Internet of Things (IoT) devices in smart home environments has significantly increased cybersecurity risks and necessitated the development of intelligent, adaptive, and proactive threat mitigation solutions. Traditional signature-based Intrusion Detection Systems (IDS) and rule-based anomaly detection techniques exhibit significant limitations in detecting zero-day attacks, hostile intrusions, and evolving cyber threats. To overcome these challenges, this thesis proposes a Reinforcement Learning-Based Adaptive Threat Mitigation (RL-ATM) model to reduce cyber-attack risk and improve network anomaly detection in smart homes. The RL-ATM model is trained and validated using the IoT-23 dataset, a comprehensive collection of real-world cyber threats targeting smart home IoT devices. Experimental evaluations confirm that RL-ATM significantly outperforms existing cybersecurity solutions, including signature-based IDS, anomaly-based machine learning models, and deep reinforcement learning (DRL) architectures. The proposed model achieves 98.87% accuracy, 97.49% precision, 98.36% recall, and 1.8% Reduced False Positive rate (FPR), proving itself as a highly reliable cybersecurity framework for real-world smart home applications.
Benzer Tezler
- Mikroşebekelerde ada mod çalışmanın tespiti ve güç kalitesi olaylarının sınıflandırılması için yapay zekâ tabanlı kontrol yöntemlerinin geliştirilmesi
Development of artificial intelligence based control methods for detection of islanding conditions and classification of power quality events in microgrids
ALPER YILMAZ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiBursa Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- Çevresel seslerin evrişimsel sinir ağları ile sınıflandırılması
Classification of environmental sounds with convolutional neural networks
YALÇIN DİNÇER
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZKAN İNİK
- Improvement of deep neural networks by intelligent model initialization
Akıllı model ilklendirilmesi ile derin sinir ağlarının iyileştirilmesi
BURAK BENLİGİRAY
Doktora
İngilizce
2019
Elektrik ve Elektronik MühendisliğiEskişehir Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER NEZİH GEREK
- Deep convolutional neural network based representations for person re-identification
Kişiyi yeniden tanıma için derin evrişimsel sinir ağı tabanlı modeller
ALPER ULU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL
- Deep convolutional neural network based unconstrained ear recognition
Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma
FEVZİYE İREM EYİOKUR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL