Enstitüler

Permanent URI for this communityhttps://acikerisim2.beykoz.edu.tr/handle/20.500.12879/6

Browse

Browsing Enstitüler by Subject "Akıllı Değerlendirme Sistemi"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Thumbnail Image
    Master Thesis
    Akıllı Şebeke Fazör Ölçüm Ünitelerinde Sahte Veri Enjeksiyonu Siber Saldırılarının Tespiti için Derin Öğrenme ve Makine Öğrenmesi Yöntemleri
    (2024) Goun, Khalid; Erkan, Özlem Feyza
    Akıllı şebekeler, normal güç sistemlerine kıyasla çeşitli avantajlar sunar. Ancak özellikle veri bütünlüğü ve güvenliği açısından önemli siber güvenlik zorlukları da sunarlar. Fazör Ölçüm Birimleri (PMU), senkronize, yüksek çözünürlüklü ölçümler aracılığıyla şebekenin gerçek zamanlı izlenmesini ve yönetimini sağlayarak bu zorlukların ele alınmasında önemli bir rol oynar ve böylece güvenilirliğini artırır. Fakat bilgisayar korsanları hayati öneme sahip Fazör Ölçüm Birim bilgilerini manipüle ederek bazı avantajlar elde edebilirler. PMU'lara yanlış veri girişi yapılmasına dayanan yanlış veri enjeksiyon saldırıları, tüm güç şebekesinin verimliliğini ve güvenilirliğini tehlikeye atabileceğinden ciddi bir tehdit oluşturur. Bu nedenle, akıllı şebekelerdeki güvenli operasyonlar etkili yanlış veri tespiti ve azaltmaya bağlıdır. Bu tez çalışmasında, akıllı şebekelerdeki yanlış veri saldırılarını tanımak için hem makine öğrenimi hem de derin öğrenme yöntemleriyle desteklenen kapsamlı bir çözüm geliştirilmesi hedeflenmiştir. Bu çözüm, güç sistemi saldırısı etiketli veriler kullanılarak geliştirilen denetimli makine öğrenimi modellerinin kullanılmasını içerir. Rastgele Ormanlar ve Ekstra Ağaçlar gibi ağaç tabanlı teknikler öncelikle PMU verilerini doğal veya riskli olay olarak ikili bir sınıflandırma kullanılır. Daha sonra olaysız, doğal olay veya aktif saldırıyı belirlemek için çok sınıflı sınıflandırma yapılır. Bunun yanı sıra, özellikle zaman serisi verileri için tasarlanmış ve ince zamansal kalıpları etkili bir şekilde tespit edip yakalayabilen Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek Ağları (LSTM) ve CNN-LSTM hibritleri gibi derin öğrenme mimarilerini incelenmiştir. Bu araştırmanın birincil amacı, gerçek PMU verileri üzerinde en son makine ve derin öğrenme tekniklerini kapsamlı bir şekilde değerlendirmek, saldırı tespit doğruluğunda önemli bir iyileştirmeye yol açmak ve nihayetinde kritik enerji tedarik altyapısının güvenliğini ve dayanıklılığını korumaktır.