Cybersecurity measures for attacks detection in iot with 5G based on artificial intelligence technologies
Yapay zeka teknolojilerine dayanan 5G ile nitelikler arasındaki saldırı tespitine yönelik siber güvenlik önlemleri
- Tez No: 976701
- Danışmanlar: DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Yapay zeka, Artificial intelligence
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ortaya çıkan siber güvenlik alanı, özellikle 5G ağları gibi yeni nesil iletişim ağları bağlamında, Dağıtılmış Hizmet Reddi (DDoS) saldırılarının hassas bir şekilde belirlenmesi acil bir zorluktur. 5G ortamlarına özgü büyük boyutluluk, yüksek hızlı veri iletimi ve yüksek ağ çeşitliliği, geleneksel makine öğrenimi modellerini yetersiz kılma eğilimindedir. Bu sorunları ele almak için bu araştırma, günümüzün hızlı ve karmaşık ağlarındaki olağandışı aktiviteleri tespit etmeye yardımcı olmak için simetri kullanan yeni bir derin öğrenme yaklaşımı önermektedir. İncelenen sistem mimarisi, 5G iletişimlerinde yaygın olan ağ trafiği arasındaki hiyerarşik ve simetrik karşılıklı bağımlılıkları anlama yeteneğine sahip bir Ağaç Evrişimli Sinir Ağı'dır (Tree-CNN), çünkü mimarileri dağıtılmış ve katmanlıdır. Bunu destekleyen, gizli simetrik örüntüleri çıkarma, gürültü azaltma ve anormallik davranışının ayırt edici gösterimini iyileştirme yeteneğine sahip derin bir otokodlayıcı modülüdür. Model öğrenme performansı, etkili bir keşif-sömürü dengeleyicisi sağlayan yeni bir metasezgisel yöntem olan liderden etkilenen hız tabanlı spiral optimizasyon algoritmasının eklenmesiyle daha da geliştirilmiştir. Buradaki amaç, Ağaç-CNN parametrelerini, derin oto kodlayıcıları ve sınıflandırma eşiklerini optimize etmektir; bu da gelişmiş tespit doğruluğu sağlar, ancak hesaplama pratikliğinden ödün verir. Gerçek zamanlı işleme ve uyarlanabilir tehdit tepkisinde aciliyet duygusunun olduğu 5G ağları senaryosunda, doğruluk-hız dengeleyicisinin gerekliliği ortaya çıkar. Performans ölçümleri, 5G ağlarında görülebilecek ani trafik hızları ve çok modlu girdiler gibi çeşitli trafik modellerini temsil eden üç kıyaslama veri kümesi üzerinde gerçekleştirilmiştir: UNSW-NB15, CIC-IDS 2017 ve CIC-IDS 2018. Yeni çerçeve, UNSW-NB15'te %96,02, CIC-IDS 2017'de %99,99 ve CIC-IDS 2018'de %99,96 gibi olağanüstü doğruluk seviyelerine ve neredeyse mükemmel hassasiyet ve geri çağırma oranlarına ulaştı. Bu sonuçlar, sistemin çok düşük yanlış negatif ve pozitif sonuçlarla tehditleri iyi bir şekilde tespit etme yeteneğini haklı çıkarıyor. Tasarım orta düzeyde bir hesaplama yükü getirse de, bu, tespit dayanıklılığında ve ölçeklenebilirlikte önemli bir iyileştirmeyle telafi ediliyor. Burada önemli olan, modelin yüksek veri hızlı akışların, uç işlemenin ve gecikmeye eğilimli hizmetlerin yüksek performanslı ancak garantili güvenlik mekanizmaları gerektirdiği 5G destekli altyapılarda etkinliğini göstermesidir. Önerilen simetriye duyarlı hibrit tespit modeli, yalnızca en son teknolojiye sahip gelecekteki 5G ağlarını desteklemekle kalmıyor. Yeni nesil akıllı güvenlik sistemlerinin inşasında simetrik desen tespiti, hiyerarşik özellik öğrenimi ve adaptif optimizasyonun temel bileşenler olarak önemi vurgulanmaktadır.
Özet (Çeviri)
With the emerging cybersecurity arena, especially in the context of next-generation communication networks like 5G networks, precise identification of Distributed Denial of Service (DDoS) attacks is an urgent challenge. The large dimensionality, high-speed data transmission, and high network diversity typical of 5G environments have a propensity to make conventional machine learning models inadequate. To address these problems, this research suggests a new deep learning approach that uses symmetry to help detect unusual activities in today's fast and complex networks. The system architecture under examination is a Tree Convolutional Neural Network (Tree-CNN) that is particularly capable of understanding hierarchical and symmetrical interdependencies among network traffic, prevalent in 5G communications, as their architecture is distributed and layered. Supporting it is a deep autoencoder module that is employed to be capable of extracting latent symmetrical patterns, noise reduction, and improving the discriminative representation of anomaly behaviour. Model learning performance is further enhanced by the addition of a leader-influenced velocity-based spiral optimization algorithm, a novel metaheuristic, which achieves an effective exploration-exploitation trade-off. The aim here is to optimize Tree-CNN parameters, deep autoencoders, and classification thresholds, which results in improved detection accuracy but at the cost of computational practicality. In the scenario of 5G networks—where there is a sense of urgency in real-time processing and adaptive threat response—the necessity for an accuracy-speed trade-off arises. Performance measurements were performed on three benchmark datasets: UNSW-NB15, CIC-IDS 2017, and CIC-IDS 2018, which represent various traffic patterns as one would see in 5G networks, such as bursty rates of traffic and multi-modal inputs. The novel framework achieved exceptional accuracy levels of 96.02% in UNSW-NB15, 99.99% in CIC-IDS 2017, and 99.96% in CIC-IDS 2018, along with nearly perfect precision and recall rates. These results justify the capability of the system to well-detect threats with very low false negatives and positives. While design imposes a medium computational overhead, this is offset by a dramatic enhancement in detection resilience as well as scalability. What is important here is that the model demonstrates its effectiveness in 5G-supported infrastructures, where high-data-rate streams, edge processing, and latency-prone services require high-performance but guaranteed security mechanisms. The proposed symmetry-aware hybrid detection model not only promotes state-of-the-art future 5G networks. It emphasizes the significance of symmetrical pattern detection, hierarchical feature learning, and adaptive optimization as essential components in the construction of next-generation smart security systems.
Benzer Tezler
- Akıllı evlerde IoT teknolojileri için siber güvenlik tehditleri ve bir çözüm önerisi
Research on cyber security threats and solutions for IoT technologies in smart homes
FARID YUSUBOV
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELÇUK ŞENER
- CICIoT2023 veri seti ile IoT ortamlarında siber saldırıların tespiti ve analizi
Detection and analysis of cyber attacks in IoT environments with CICIoT2023 data set
EKREM TÜRKAY
Yüksek Lisans
Türkçe
2025
Bilim ve TeknolojiKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİFE KODAZ
- Behaviour-based security with machine learning on IoT networks
IoT ağlarında makine öğrenmesi ile davranış tabanlı güvenlik
KAHRAMAN KOŞTAŞ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHerıot-Watt UnıversıtyBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. MIKE JUST
- Nesnelerin interneti cihazları için makine öğrenmesi yöntemleriyle saldırı tespit sisteminin geliştirilmesi
Development of intrusion detection system with machine learning methods for internet of things devices
HASAN YILMAZ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAnkara ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURAK ÖZBEY
- IoT security by detection of the network intrusion traffic using DL
DL kullanılarak ağ izinsiz trafiğinin tespiti ile IoT güvenliği
NADİA QUTAİBA MOHAMEDSAEED ALSABBAGH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HASAN HÜSEYİN BALIK