Makine öğrenmesi modellerine yönelik gelişmiş çekişmeli saldırı mimarisi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, FEN BİLİMLERİ ENSTİTÜSÜ, BİLGİSAYAR MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: AYBÜKE KILIÇ
Danışman: İLKER ÖZÇELİK
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Makine öğrenmesi sistemlerini yanıltmak amacıyla yapılan saldırılar çekişmeli saldırılar olarak tanımlanır. Bu saldırılarda kullanılan küçük pertübasyonlar önemli riskler oluşturur. Bu çalışma, siber güvenlik alanında çekişmeli saldırılar üretmek amacıyla PyTorch tabanlı bir Generative Adversarial Network (GAN) mimarisinin geliştirilmesini sunmaktadır. Araştırma, dört farklı optimizasyon yaklaşımının sistematik karşılaştırmasını içermektedir: Adam optimizasyonu ile eğitilmiş temel GAN modeli, global arama yetenekleri ile öne çıkan genetik algoritma tabanlı GAN yaklaşımı, Pareto-optimal çözümler üreten çok amaçlı evrimsel algoritma (MOEA) GAN stratejisi ve Adam optimizasyonunun hızlı yakınsama avantajlarını evrimsel algoritmaların global arama yetenekleri ile birleştiren yenilikçi hibrit yaklaşım. UNSW-NB15 veri seti üzerinde Random Forest sınıflandırıcısına karşı gerçekleştirilen deneysel çalışmalarda, önerilen hibrit yaklaşım %29.82 doğruluk düşüşü ile en yüksek saldırı etkinliğini göstermiştir. Genetik algoritma tabanlı generator optimizasyonu ile MOEA tabanlı discriminator optimizasyonunun kombinasyonu, geleneksel gradyan tabanlı yöntemlere göre %633 oranında daha yüksek saldırı başarısı sağlamıştır. L2 norm kısıtlaması altında gerçekleştirilen saldırılar, gizlilik-etkinlik dengesini başarılı şekilde korumuştur. Sonuçlar, hibrit optimizasyon stratejilerinin çekişmeli makine öğrenmesinde yeni bir paradigma oluşturabileceğini göstermekte ve hem saldırı hem de savunma perspektifinden siber güvenlik alanında önemli gelişmelere kapı aralamaktadır.