Zararlı URL'lerin derin öğrenme ile tespiti

Basit Öğe Kaydı
dc.contributor.advisorYücedağ, İbrahim
dc.contributor.advisorŞentürk, Ümit
dc.contributor.authorTiryaki, Fatih
dc.date.accessioned2024-08-23T18:34:33Z
dc.date.available2024-08-23T18:34:33Z
dc.date.issued2024
dc.departmentDÜ, Lisansüstü Eğitim Enstitüsü, Siber Güvenlik Ana Bilim Dalıen_US
dc.description.abstractGünümüzde internetin her geçen yıl kullanımın artmasıyla hayatımızda çok önemli bir hale gelmiş ve yeni iletişim teknolojileri, sosyal ağlar, e-ticaret, kullandığımız teknolojik ev aletlerinden, çevrimiçi bankacılık dâhil olmak üzere birçok uygulamada işlerin teşvik edilmesinde ve büyütülmesinde önemli bir etkiye sahiptir. Bu tez çalışmasının amacı, kullanılan yapay zekâ modeli ile zararlı URL adreslerini tespit edilmesi sağlanmış, bu işlemler için büyük bir veri seti ile çalışılmış ve en iyi sonucu elde etmek hedeflenmiştir. Bu tezde literatürde yapılan çalışmalar incelenmiştir, veri setlerinin büyüklüğü ile doğruluk başarı oranına katkısı görülmüştür. Yapılan çalışmada, veri setindeki URL sayısının fazla olması ve RNN model mimarisinin kullanılması performans değerlerini 2 puan oranında arttırmıştır. Çalışmada oluşturulan, 7 katmanlı RNN modeli kullanılmış, modelde çalıştırmak üzere ulusal ve uluslararası birbirine benzer iki adet veri seti birleştirilmiş, 579.112 adet URL adresinden oluşan devasa bir yeni veri seti oluşturulmuştur. Daha sonra bu yeni veri seti eğitim ve test setlerine ayrılmıştır. İlk olarak veri setimiz modelde eğitilmiş ve ardından ikinci veri seti test edilmiştir. Bu veri seti modelimizde işlendiğinde %91 doğruluk oranı elde edilmiştir. Bu çalışmamızla, zararlı URL adreslerinin tespiti için daha etkin yöntemlerin geliştirilmesine önemli katkı sağlamak hedeflenmektedir.en_US
dc.description.abstractIn recent years, with the increasing use of the internet, it has become a crucial aspect of our lives. New communication technologies, social networks, e-commerce, and various applications, including online banking and the use of technological home appliances, play a significant role in promoting and expanding business. The purpose of this thesis is to detect malicious URL addresses using the artificial intelligence model employed, working with a large dataset to achieve the best results. Existing studies in the literature were reviewed in this thesis, emphasizing the contribution of dataset size to accuracy success rates. In the study, the high number of URLs in the data set and the use of RNN model architecture increased the performance values by 2 points. A 7-layered RNN model was created in this work, combining two similar national and international datasets to form a massive new dataset comprising 579,112 URL addresses. This new dataset was then divided into training and test sets. Initially, the model was trained on the dataset and subsequently tested on the second dataset. When this dataset was processed through our model, 91% was achieved, indicating results in detecting malicious URL addresses. This study aims to make a significant contribution to the development of more effective methods for detecting malicious URL addresses.en_US
dc.identifier.endpage54en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=weFMBHaUra8rsS5wi2bmHPgFty7JaRIaHUaGCuPtNWfW_O9nceqgrKiCy7wLJaa-
dc.identifier.urihttps://hdl.handle.net/20.500.12684/15569
dc.identifier.yoktezid848979en_US
dc.institutionauthorTiryaki, Fatih
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleZararlı URL'lerin derin öğrenme ile tespitien_US
dc.title.alternativeDetection of malicious URLs with deep learningen_US
dc.typeMaster Thesisen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
15569.pdf
Boyut:
1.59 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

Tez Koleksiyonu