<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Yapay sinir ağı ve metasezgisel sınıflandırıcılarını kullanarak nesnelerin internetinde çapraz ateş ve ddos saldırılarını tespiti

dc.contributor.authorElberri, Mustafa Ahmed
dc.date.accessioned2026-07-02T10:18:01Z
dc.date.issued2026
dc.description.abstractKimlik avı saldırıları, hassas kullanıcı bilgilerini çalmak için sahte web siteleri kullanarak çevrimiçi güvenlik için önemli bir tehdit oluşturmaktadır. Derin öğrenme teknikleri, özellikle de evrişimsel sinir ağları (CNN'ler), oltalama saldırılarını tespit etmek için umut verici araçlar olarak ortaya çıkmıştır. Bununla birlikte, geleneksel CNN tabanlı görüntü sınıflandırma yöntemleri sahte sayfaları etkili bir şekilde tanımlamada sınırlamalarla karşı karşıyadır. Bu zorluğun üstesinden gelmek için, bir CNN-LSTM hibrit modeli kullanarak kimlik avı saldırılarını tespit etmek için görüntü tabanlı bir kodlama yaklaşımı öneriyoruz. Bu yaklaşım, veri kümesini dengelemek, bilgilendirici özellikleri seçmek ve gri tonlamalı görüntüler oluşturmak için Otomatik Kodlayıcı ağına dayalı gelişmiş bir GAN olan SMOTE ile sürü zekası algoritmalarını birleştirmektedir. Üç kıyaslama veri kümesi üzerinde yapılan deneyler, önerilen yöntemin diğer tekniklere kıyasla üstün doğruluk, kesinlik ve hassasiyet elde ettiğini, kimlik avı saldırılarını etkili bir şekilde tanımladığını ve çevrimiçi güvenliği artırdığını göstermektedir.
dc.identifier.urihttps://hdl.handle.net/20.500.12597/44821
dc.language.isotr
dc.publisherKastamonu Üniversitesi
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectSahte Sayfalar
dc.subjectKimlik Avı Saldırıları
dc.subjectSMOTE
dc.subjectDerin Öğrenme
dc.subjectOyun Teorisi
dc.subjectEvrişimli Sinir Ağları
dc.subjectLSTM
dc.subjectÖzellik Seçimi
dc.subjectAfrika Akbaba Optimizasyon Algoritması (AVOA)
dc.titleYapay sinir ağı ve metasezgisel sınıflandırıcılarını kullanarak nesnelerin internetinde çapraz ateş ve ddos saldırılarını tespiti
dc.title.alternativeUse artificial neural network and metaheuristic classifiers to detect phishing attacks on the internet of things
dc.typedoctoralThesis

Files

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
1005155.pdf
Size:
2.01 MB
Format:
Adobe Portable Document Format

Collections