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
- Applications of artificial intelligence for the security of networks
Ağ güvenliği için yapay zeka uygulamalari
SELEN GEÇGEL ÇETİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. GÜNEŞ ZEYNEP KARABULUT KURT
- Antenna and frequency selective surface design for 3.1 GHZ detect and avoid radar system on unmanned aerial vehicle
İnsansız hava aracında 3.1 GHZ tespit ve kaçınma radar sistemi için anten ve frekans seçici yüzey tasarımı
MOHAMMAD HAROON AZAD
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. FUNDA AKLEMAN YAPAR
DOÇ. DR. HÜSEYİN ŞERİF SAVCI
- Güvenli ağ bağlantıları için yapay sinir ağları kullanılarak anormal aktiviteleri ve siber tehditleri tespit eden alternatif yazılım geliştirilmesi
Development of alternative software for detecting abnormal activities and cyber threats using artificial neural networks for secure network connections
MEHMET KARADENİZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ÖZEK
- Resilient and sustainable smart cities: Cybersecurity, disaster management, and data-driven urban solutions
Dayanıklı ve sürdürülebilir akıllı şehirler: Siber güvenlik, afet yönetimi ve veri odaklı kent çözümleri
KIYMET KAYA
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖGÜDÜCÜ
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR