Makine ve derin öğrenme yaklaşımlarına dayalı saldırı tespit sistemi

Basit Öğe Kaydı
dc.contributor.advisorYücedağ, İbrahim
dc.contributor.advisorDoğru, İbrahim Alper
dc.contributor.authorKaramollaoğlu, Hamdullah
dc.date.accessioned2025-10-11T20:35:11Z
dc.date.available2025-10-11T20:35:11Z
dc.date.issued2024
dc.departmentDÜ, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalıen_US
dc.description.abstractBu tez çalışmasında, nesnelerin interneti (Internet of Things - IoT) ağlarına yönelik olarak PBCSC-IoT, PMBL-IoT ve AOCBiT-IoT isimli üç farklı saldırı tespit sistemi (Intrusion Detection System - IDS) geliştirilmiş ve bu modellerin başarımları kapsamlı bir şekilde analiz edilerek karşılaştırılmıştır. Önerilen IDS modellerinde kullanılan öznitelik indirgeme, veri dengeleme ve sınıflandırma yöntemlerinin IDS'ler üzerindeki etkileri değerlendirilmiş ve bu modellerin saldırı tespit başarımları karşılaştırılmıştır. PBCSC-IoT modeli, yarasa optimizasyon algoritması (Bat Optimization Algorithm -BAT), temel bileşenler analizi (Principal Component Analysis - PCA), sentetik azınlık aşırı örnekleme tekniği (Synthetic Minority Oversampling Technique - SMOTE) ve evrişimli sinir ağları (Convolutional Neural Network - CNN) yöntemlerinin hibrit bir yaklaşımla birleştirilmesiyle oluşturulmuş ve IoTID20 ve BoT-IoT verisetlerinde test edilmiştir. PMBL-IoT modeli; PCA, yusufçuk optimizasyon algoritması (Mayfly Optimization Algorithm - MAO), sınırda-SMOTE (Borderline SMOTE - BSMOTE) ve uzun kısa süreli bellek (Long Short-Term Memory - LSTM) yöntemleri ile geliştirilmiş olup IoTID20, CIC-ToN-IoT ve USB-IDS-1 verisetlerinin birleştirilmesiyle elde edilen birleşik veriseti üzerinde test edilmiştir. AOCBiT-IoT ise, Otokodlayıcı, Varyans analizi F-testi (Analysis of Variance F-Test - ANOVA F-Test), uyarlanabilir sentetik örnekleme yöntemi (Adaptive Synthetic Sampling - ADASYN), tek taraflı seçim (One-Sided Selection - OSS) yöntemi ile birlikte CNN, çift yönlü LSTM (Bidirectional LSTM - BiLSTM) ve Transformer yöntemleri ile geliştirilmiş olup, CIC-DDoS2019 veriseti üzerinde test edilmiştir. Sonuçlar, hibrit DL tekniklerinin IoT ağlarında saldırı tespitinde yüksek başarım sağladığını ve veri dengeleme ile öznitelik indirgeme yöntemlerinin bu sınıflandırma başarımını daha da artırabileceğini göstermiştir.en_US
dc.description.abstractIn this thesis, three different intrusion detection systems (IDS) named PBCSC-IoT, PMBL-IoT, and AOCBiT were developed for Internet of Things (IoT) networks, and their performances were thoroughly analyzed and compared. The effects of the feature reduction, data balancing, and classification methods used in the proposed IDS models on IDS performance were evaluated, and the detection success of these models was compared in detail. The PBCSC-IoT model was created using a hybrid approach that combines the Bat Optimization Algorithm (BAT), Principal Component Analysis (PCA), Synthetic Minority Oversampling Technique (SMOTE), and Convolutional Neural Network (CNN) methods, and was tested on the IoTID20 and BoT-IoT datasets. The PMBL-IoT model was developed using PCA, Mayfly Optimization Algorithm (MAO), Borderline SMOTE (BSMOTE), and Long Short-Term Memory (LSTM) methods and was tested on a combined dataset obtained by merging the IoTID20, CIC-ToN-IoT, and USB-IDS-1 datasets. The AOCBiT-IoT model was developed using an Autoencoder, Analysis of Variance F-Test (ANOVA F-Test), Adaptive Synthetic Sampling (ADASYN), One-Sided Selection (OSS) method along with CNN, Bidirectional LSTM (BiLSTM), and Transformer methods, and was tested on the CIC-DDoS2019 dataset. The results demonstrated that hybrid deep learning techniques provide high performance in detecting attacks in IoT networks and that data balancing and feature reduction methods can further enhance this classification performance.en_US
dc.identifier.endpage185en_US
dc.identifier.startpage1en_US
dc.identifier.urihttps://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=htlyhJG97gjBTPjAeWRhPmBXQiwAFZANU6HAn0x95sXCz_OZXafNTuInZn7yBX-Z
dc.identifier.urihttps://hdl.handle.net/20.500.12684/20624
dc.identifier.yoktezid933492en_US
dc.institutionauthorKaramollaoğlu, Hamdullah
dc.language.isotren_US
dc.publisherDüzce Üniversitesien_US
dc.relation.publicationcategoryTezen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.snmzKA_TEZ_20250911
dc.subjectBilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolen_US
dc.subjectComputer Engineering and Computer Science and Controlen_US
dc.titleMakine ve derin öğrenme yaklaşımlarına dayalı saldırı tespit sistemien_US
dc.title.alternativeIntrusion detection system based on machine and deep learning approachesen_US
dc.typeDoctoral Thesisen_US

Dosyalar

Koleksiyon

Lisansüstü Eğitim Enstitüsü Tez Koleksiyonu