YAZILIM TANIMLI AĞLARDA BÜYÜK DİL MODELİ TABANLI SALDIRI TESPİTİ

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: ARİFE GÜLŞAH EROL

Danışman: Merve Sedef Demirci

Özet:

Yazılım Tanımlı Nesnelerin İnterneti (SD-IoT) ağlarının yaygınlaşmasıyla birlikte, merkezî kontrol yapısı ağ esnekliğini ve yönetilebilirliğini artırırken, heterojen cihaz ekosistemi ve yoğun veri akışı gibi özellikler yeni güvenlik risklerinin ortaya çıkmasına neden olmaktadır. Bu durum, ağ güvenliğinin sağlanabilmesi açısından tehditlerin doğru biçimde belirlenmesini ve etkili saldırı tespit mekanizmalarının geliştirilmesini kritik hâle getirmiştir. Bu noktada, Büyük Dil Modelleri (LLM), öz-dikkat mekanizması ve güçlü bağlamsal temsil yetenekleri sayesinde ağ akış verilerindeki karmaşık ilişkileri daha etkili biçimde modelleme ve değişen veri örüntüleri altında daha esnek ve dayanıklı yapılar geliştirme potansiyeline sahiptir. Bu doğrultuda, bu tez çalışmasında, SD-IoT ortamlarında saldırı tespiti ve saldırı sınıflandırması için LLM tabanlı modeller geliştirilmiştir. Tez kapsamında yapılan çalışmalar üç başlık altında toplanmıştır. İlk çalışmada, SD-IoT ortamında saldırı tespiti ve sınıflandırması performanslarını karşılaştırmak amacıyla, kodlayıcı (encoder), kodlayıcı-çözücü (encoder-decoder) ve çözücü (decoder) mimari ailelerini temsil eden BERT, RoBERTa, Flan-T5, BART ve Qwen olmak üzere beş LLM modeli ince ayar yöntemiyle geliştirilmiş ve performansları, literatürde kıyaslama amacıyla en çok kullanılan Derin Sinir Ağları (DNN) ve Tek Boyutlu Evrişimsel Sinir Ağları (1D-CNN) modelleri ile karşılaştırılmıştır. İkinci çalışmada, modellerin değişen ağ koşulları altındaki genellenebilirliklerini değerlendirmek amacıyla, geliştirilen modeller bir veri seti ile eğitilmiş ve çapraz bir veri seti test edilmiştir. Üçüncü çalışmada ise, LLM modellerinin hiç görmedikleri saldırı türlerindeki başarısı Bir Saldırıyı Dışarıda Bırakma (LOAO) yaklaşımı ile değerlendirilmiştir. Sonuçlar, LLM tabanlı saldırı tespit yaklaşımının üç çalışmada da %98'e ulaşan doğruluk sağladığını ve DL modellerine kıyasla daha üstün performans sergilediğini göstermiştir.