Makine öğrenmesi ile şifreleme algoritmalarının dinamik seçimi
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, makine öğrenmesi (ML) sınıflandırma algoritmaları kullanılarak sistem parametrelerine göre optimum şifreleme algoritmasının dinamik biçimde seçilmesi amaçlanmaktadır. Literatürde, kullanılan algoritmaların genellikle manuel olarak seçildiği görülmektedir. Bu manuel seçim, özellikle kaynak kısıtlı sistemlerde performans sorunlarına yol açmaktadır. Oysa gerçek dünya uygulamalarında birçok parametre algoritma seçiminde belirleyici olur. Bunlar; veri boyutu, şifreleme süresi, deşifreleme süresi, bellek kullanımı, işlemci kullanımı, enerji tüketimi vb. Özelliklerdir. Bu doğrultuda, dosya boyutu, şifreleme süresi, deşifreleme süresi, işlemci ve bellek kullanımı ve enerji tüketimi gibi 6 kriterden oluşan 2000 satırlık sentetik bir veri seti Python programlama dili kullanılarak üretilmiştir. Veri seti için simetrik şifreleme algoritmalarından Blowfish, Advanced Encryption Standard (AES), Rivest Cipher 6 (RC6), Serpent ve Kalyna seçilmiştir. Modelde veri yedi farklı ML algoritmalarıyla test edilmiş; Rastgele Ormanlar (RF), Aşırı Gradyan Artırma (XGBoost) ve Histogram Tabanlı Gradyan Artırma (HistGB) modelleri en yüksek başarıyı göstermiştir. Sonuçlar, modellerin Makro-F1 ≈ 0.916 – 0.918 düzeyinde tutarlı performans sergilediğini göstermiştir. Çıkarım süresi için en hızlı XGBoost, eğitim süresi için en hızlı RF ve Makro-F1 için ise en yüksek HistGB olmuştur. Sonuç olarak tasarlanan model sistemin ihtiyaçlarını odağa alan bir yapı önermekte ve bu bağlamda literatürdeki boşluğu doldurmayı amaçlamaktadır. Oluşturulan mimari; Nesnelerin İnterneti (IoT), mobil sistemler ve bulut bilişim ortamlarında uygulanabileceği gibi gelecekte açıklanabilir yapay zekâ araçlarıyla da kullanılarak modelin karar performansının artırılması sağlanabilir.
This study aims to dynamically select the optimal encryption algorithm based on system parameters using machine learning (ML) classification algorithms. In the literature, it is observed that the algorithms used are generally selected manually. This manual selection leads to performance issues, especially in resource-constrained systems. However, in real-world applications, many parameters are decisive in algorithm selection. These include data size, encryption time, decryption time, memory usage, processor usage, energy consumption, and other characteristics. Accordingly, a 2000-line synthetic dataset consisting of 6 criteria, such as file size, encryption time, decryption time, processor and memory usage, and energy consumption, was generated using the Python programming language. Blowfish, Advanced Encryption Standard (AES), Rivest Cipher 6 (RC6), Serpent, and Kalyna were selected from symmetric encryption algorithms for the dataset. The data was tested in the model with seven different ML algorithms; Random Forests (RF), Extreme Gradient Boosting (XGBoost), and Histogram-Based Gradient Boosting (HistGB) models showed the highest success. The results show that the models performed consistently at a Macro-F1 level of ≈ 0.916 – 0.918. XGBoost was the fastest for inference time, RF was the fastest for training time, and HistGB was the highest for Macro-F1. In conclusion, the designed model proposes a structure focused on the needs of the system and aims to fill the gap in the literature in this context. The created architecture can be applied in the Internet of Things (IoT), mobile systems, and cloud computing environments, and the model's decision performance can be improved by using explainable artificial intelligence tools in the future.
This study aims to dynamically select the optimal encryption algorithm based on system parameters using machine learning (ML) classification algorithms. In the literature, it is observed that the algorithms used are generally selected manually. This manual selection leads to performance issues, especially in resource-constrained systems. However, in real-world applications, many parameters are decisive in algorithm selection. These include data size, encryption time, decryption time, memory usage, processor usage, energy consumption, and other characteristics. Accordingly, a 2000-line synthetic dataset consisting of 6 criteria, such as file size, encryption time, decryption time, processor and memory usage, and energy consumption, was generated using the Python programming language. Blowfish, Advanced Encryption Standard (AES), Rivest Cipher 6 (RC6), Serpent, and Kalyna were selected from symmetric encryption algorithms for the dataset. The data was tested in the model with seven different ML algorithms; Random Forests (RF), Extreme Gradient Boosting (XGBoost), and Histogram-Based Gradient Boosting (HistGB) models showed the highest success. The results show that the models performed consistently at a Macro-F1 level of ≈ 0.916 – 0.918. XGBoost was the fastest for inference time, RF was the fastest for training time, and HistGB was the highest for Macro-F1. In conclusion, the designed model proposes a structure focused on the needs of the system and aims to fill the gap in the literature in this context. The created architecture can be applied in the Internet of Things (IoT), mobile systems, and cloud computing environments, and the model's decision performance can be improved by using explainable artificial intelligence tools in the future.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Azboy, F. (2025). Makine Öğrenmesi İle Şifreleme Algoritmalarının Dinamik Seçimi (Tez No. 988349) [Yüksek Lisans Tezi, Düzce Üniversitesi].
