Hibrit makine öğrenmesi modeli ile siber saldırıların sınıflandırılması ve tespiti
Classification and detection of cyber attacks using hybrid machine learning model
- Tez No: 970557
- Danışmanlar: DOÇ. DR. SITKI ÖZTÜRK
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, Nesnelerin İnterneti (IoT) ortamlarında meydana gelebilecek güvenlik tehditlerini tespit etmek amacıyla hibrit makine öğrenmesi modellerine dayalı bir anomali tespit modeli geliştirilmiştir. Çalışmada veri kümesi olarak, atak türü, çeşitliliği ve veri hacmi bakımından kapsamlı olan CICIoT2023 veri seti kullanılmıştır. Model performansını artırmak amacıyla, veri seti üzerinde ön işleme adımları olarak eksik ve hatalı verilerin temizlenmesi, öznitelik çıkarımı, aykırı değerlerin giderilmesi ve standardizasyon işlemleri uygulanmıştır. Modelleme aşamasında, alt sınıflandırıcılar olarak rastgele orman (Random Forest), lojistik regresyon (Logistic Regression) ve gaussian naive bayes (Gaussian Naive Bayes, GNB) algoritmaları seçilmiş ve bu alt modeller hem 'Oylama' hem de 'Yığınlama' hibrit yapılarında birleştirilmiştir. Her bir alt model için GridSearchCV optimizasyon yöntemiyle hiperparametre optimizasyonu gerçekleştirilmiş, ardından çok sınıflı (33+1, 7+1) ve ikili (1+1) sınıflandırma senaryolarında test edilmiştir. Tez çalışmasında elde edilen bulgular, yığınlama modelinin genel olarak daha yüksek başarı sağladığını ve özellikle azınlık sınıflarda daha dengeli sonuçlar ürettiğini ortaya koymuştur. Bununla birlikte oylama modeli daha düşük kaynak tüketimiyle daha hızlı sonuçlar üretmiştir. Tüm değerlendirmeler sonucunda, hibrit modellerin tekil modellere kıyasla daha güvenilir, esnek ve uygulamaya uygun çözümler sunduğu görülmüştür. Bu çalışma, siber güvenlik alanında hibrit makine öğrenmesi yöntemlerinin güçlü bir alternatif olarak kullanılabileceğini ve sektörel ihtiyaçları karşılayabilecek düzeyde başarı sağladığı görülmüştür.
Özet (Çeviri)
In this thesis study, a hybrid machine learning-based anomaly detection system was developed to identify potential security threats in Internet of Things (IoT) environments. The CIC-IoT-2023 dataset, known for its extensive attack diversity and large volume, was utilized as the primary data source. To improve the model's performance, preprocessing steps were applied to the dataset, including cleaning missing and erroneous data, feature extraction, outlier removal, and standardization. The modeling process involved Random Forest, Logistic Regression, and Gaussian Naive Bayes algorithms as base learners, which were combined using both Voting and Stacking ensemble strategies. For each base model, hyperparameter optimization was performed using the GridSearchCV technique, followed by evaluations across multi-class (33+1, 7+1) and binary (1+1) classification scenarios. The results revealed that the Stacking model achieved superior performance overall, particularly demonstrating more balanced classification in minority classes. Conversely, the Voting model yielded faster results with lower computational cost, making it a practical choice for resource-constrained environments. Overall, the findings indicate that hybrid models provide more reliable, scalable, and application-ready solutions compared to single-model approaches. This study highlights the potential of hybrid machine learning architectures to serve as robust alternatives in cybersecurity applications, establishing a viable foundation for meeting industrial anomaly detection requirements with enhanced accuracy and dependability.
Benzer Tezler
- Graf ve karekod yöntemleriyle dönüştürülmüş log kayıtları üzerinde derin öğrenme tabanlı siber saldırı tespiti
Deep learning-based cyber attack dedection on encoded log by graph and qr code methods
YUSUF ALACA
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YÜKSEL ÇELİK
- Cyber tools as foreign policy instruments in trilateral relations: Analysing cyber-attacks targeting the United Kingdom
Üçlü ilişkilerde dış politika aracı olarak siber araçlar: Birleşik Krallık'ı hedef alan siber saldırıların analizi
ATAKAN YILMAZ
Doktora
İngilizce
2024
Siyasal BilimlerGalatasaray ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. MENENT SAVAŞ CAZALA
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- SCADA sistemlerine yönelik siber saldırıların tespiti için yeni bir hibrit makine öğrenmesi yöntemi
A new hybrid machine learning method for detection of cyber attacks on SCADA systems
ESRA SÖĞÜT
Doktora
Türkçe
2023
Bilim ve TeknolojiGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN AYHAN ERDEM
- Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak saldırı tespit ve önleme sistemi geliştirilmesi
Developing an intrusion detection and prevention system using machine learning and deep learning methods
MEHMET ALİ ALTUNCU
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUHAP ŞAHİN