Siber güvenlikte yapay zekâ tabanlı tehdit tespit sistemleri için güvenilir veri hazırlama: Veri bütünlüğünün sağlanması
Trustworthy data preparation for ai-driven threat detection systems in cybersecurity: Ensuring data integrity
- Tez No: 994473
- Danışmanlar: DR. ÖĞR. ÜYESİ MAKSAT ATAGOZIEV
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- 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 çalışmasında, yapay zekâ (YZ) ve makine öğrenmesi (MÖ) tabanlı tehdit tespit sistemlerinde güvenilir veri hazırlama süreçlerinin model performansı üzerindeki etkileri incelenmiştir. Çalışmanın temel amacı, veri kalitesi ve veri bütünlüğüne dayalı veri hazırlama adımlarının tehdit tespit modellerinin sınıflandırma başarımı üzerindeki etkisini ortaya koymaktır. Araştırmada Malware Analysis Dataset kullanılmış; veri ön işleme aşamasında veri temizleme, tek-sıcak kodlama (one-hot encoding), veri standardizasyonu ve sınıf dengesizliğini gidermek amacıyla SMOTE tekniği uygulanmıştır. Modelleme sürecinde Lojistik Regresyon, Random Forest, XGBoost, LightGBM, AdaBoost, CatBoost, Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN), Decision Tree ve Gaussian Naive Bayes algoritmaları kullanılarak karşılaştırmalı analizler gerçekleştirilmiştir. Ayrıca, temsil öğrenmeye dayalı bir yaklaşım kapsamında autoencoder tabanlı ön eğitim modeli ile birlikte AE(latent)+XGBoost ve AE(latent)+LightGBM hibrit yapıları değerlendirilmiştir. Deneysel bulgular, özellikle Random Forest, XGBoost ve LightGBM gibi ağaç tabanlı ensemble modellerinin doğruluk, F1-skoru ve AUC ölçütleri açısından dengeli ve yüksek performans sergilediğini göstermektedir. SVM modeli ise yüksek sınıflandırma başarımı sunmasına karşın hesaplama maliyeti açısından daha sınırlı bir performans ortaya koymuştur. Autoencoder tabanlı hibrit modeller, temsil öğrenmenin sınıflandırma performansına katkı sağlayabileceğini göstermiştir. Sonuç olarak elde edilen bulgular, güvenilir veri hazırlama süreçlerinin YZ tabanlı siber güvenlik tehdit tespit sistemlerinin etkinliğini artırmada önemli bir bileşen olduğunu göstermektedir.
Özet (Çeviri)
This thesis investigates the impact of trustworthy data preparation processes on the performance of artificial intelligence (AI) and machine learning (ML)-based threat detection systems. The primary objective of the study is to examine how data quality and data integrity-oriented preprocessing steps influence the classification performance and generalization capability of AI-driven threat detection models. The experimental evaluation was conducted using the Malware Analysis Dataset. During the data preprocessing stage, data cleaning, one-hot encoding, data standardization, and class balancing using the SMOTE technique were applied. In the modeling phase, comparative analyses were performed using Logistic Regression, Random Forest, XGBoost, LightGBM, AdaBoost, CatBoost, Support Vector Machines (SVM), K-Nearest Neighbors, Decision Tree, and Gaussian Naive Bayes algorithms. In addition, an autoencoder-based pretraining approach was employed, and hybrid architectures combining latent representations with XGBoost and LightGBM were evaluated to examine the contribution of representation learning to threat detection performance. The experimental results indicate that tree-based ensemble models, particularly Random Forest, XGBoost, and LightGBM, achieved high and well-balanced performance in terms of accuracy, F1-score, and AUC metrics. AdaBoost and CatBoost models demonstrated stable performance under imbalanced data conditions, especially with respect to recall. The SVM model achieved competitive classification results, although with relatively higher computational cost. Autoencoder-based hybrid models showed that latent feature representations can contribute to classification performance under certain conditions. Overall, the findings suggest that trustworthy data preparation constitutes an important component in the development of AI-based cybersecurity threat detection systems by supporting consistent and reliable model performance.
Benzer Tezler
- Beyaz peynir yapımında kalsiyum klorürün süzme süresi, peynir suyu ile olan bazı besin maddeleri kayıpları ve peynir randımanına etkisi
Başlık çevirisi yok
SİBEL ŞAKİROĞLU
- Cumhuriyet döneminde Milli Eğitim Şuralarının müzik eğitimi ile ilgili aldığı kararlar
Başlık çevirisi yok
SİBEL DOĞAN(ÖZBAKAN)
- Tokat bölgesi folklorik giysileri
Başlık çevirisi yok
ESEN ÇAĞLAYAN
Yüksek Lisans
Türkçe
1987
Gazi ÜniversitesiGiyim Endüstrisi ve Giyim Sanatları Ana Bilim Dalı
Yükleniyor...
- Bazı yağlık kolza (brassica napus ssp. oleifera) çeşitlerinde verim ve kaliteye ilişkin karakterler üzerinde araştırmalar
Başlık çevirisi yok
ABDURRAHİM TANJU GÖKSOY
- Ankara ve yöresinde tavuklarda helmint enfeksiyonlarının yayılışı
Distribution of helminth infections in chicken in Ankara and surroundings
FERİAL AL-RUBAİE