Siber güvenlik sistemleri için dinamik ve artımlı makine öğrenmesi yaklaşımları

katastrofik unutma) ve sınıf dengesizliği gibi temel zorlukların üstesinden gelmeyi amaçlayan iki özgün yaklaşım geliştirmektedir. Çalışmanın temel amacı, farklı öğrenme senaryolarında hem önceki bilgiyi koruyabilen hem de yeni sınıfları etkili şekilde öğrenebilen sürdürülebilir ve uyarlanabilir sistemler ortaya koymaktır. Bu kapsamda, biri EWC (Elastic Weight Consolidation) destekli ortak kodlayıcıdan oluşan bir derin öğrenme temelli mimari, diğeri ise çevrim içi öğrenmeye uygun Sınıf Artımlı Dinamik Çıktı Genişletme (CIL-DOE-Class-Incremental Learning with Dynamic Output Expansion) mekanizmasıyla donatılmış Hoeffding Tree modeli çözüm olarak önerilmektedir. Geliştirilen ilk model, ortak bir kodlayıcı (encoder) yapısı etrafında şekillendirilmekte ve bilgi koruma amacıyla EWC (Elastic Weight Consolidation) mekanizmasıyla desteklenen bir yapay sinir ağı mimarisi olarak tasarlanmaktadır. Söz konusu model, özellikle sınıf dengesizliği içeren artımlı öğrenme senaryolarında gözlemlenen performans düşüşlerinin önüne geçmeyi amaçlamaktadır. Çalışma kapsamında CICIoT2023 veri seti (Neto ve ark., 2023) kullanılarak, en sık ve en seyrek gözlemlenen sınıfların modelden çıkarıldığı çeşitli senaryolar test edilmektedir. Elde edilen ön bulgular, EWC mekanizmasının uygulanmadığı durumlarda makro ölçekte ciddi performans kayıplarının yaşandığını göstermektedir. Özellikle nadir sınıflarda F1 skorlarının %0 ila %9 arasında değiştiği gözlemlenmektedir. Buna karşın, EWC mekanizmasının uygulanmasıyla birlikte modelin geçmiş bilgilere ait parametrelerini koruyarak sınıf dengesizliğiyle daha etkili bir şekilde başa çıkabildiği görülmektedir. Makro F1 skorlarındaki %82'ye varan artışlar, EWC'nin hem genel başarıma hem de azınlık sınıfların öğrenilmesine anlamlı katkılar sunduğunu ortaya koymaktadır. Ayrıca, EWC'nin etkisiyle modelin zaman içindeki kararlılığının arttığı ve önceki görevlerde öğrenilen bilgilerin, yeni görevler öğrenilirken kaybolmasının büyük ölçüde engellendiği anlaşılmaktadır. Bu tez çalışması kapsamında geliştirilen ikinci yaklaşım, çevrim içi öğrenmeye uygun biçimde tasarlanmakta olup, sınıf çıktılarının veri akışı sırasında dinamik olarak genişletilmesini sağlayan CIL-DOE stratejisini temel almaktadır. Hoeffding Tree algoritması kullanılarak geliştirilen bu model, gerçek zamanlı sistemler için düşük gecikmeli, maliyet açısından verimli ve sürekli öğrenebilen bir yapı sunmaktadır. Gerçekleştirilen deneysel analizler, mikro ortalamalı metriklerde (doğruluk, micro-F1, micro-recall) modelin erken aşamalarda %80'in üzerine çıkarak hızlı bir yakınsama sağladığını, son aşamalarda ise bu metriklerin %95 düzeyine ulaştığını göstermektedir. Bu bulgular, modelin yeni sınıfları öğrenme süreci sırasında daha önce öğrenilen sınıflardaki performansını büyük ölçüde koruyabildiğini ortaya koymaktadır. Makro düzeyde ise, özellikle yeni sınıfların tanıtıldığı geçiş aşamalarında macro-F1 ve macro-recall metriklerinde geçici düşüşler gözlemlenmekte, ancak zamanla bu metriklerde düzenli bir iyileşme eğilimi ortaya çıkmaktadır. Bu durum, modelin nadir ve geç tanıtılan sınıflara yönelik genelleme kapasitesini zamanla geliştirebildiğini, ancak bu sürecin mikro metriklere kıyasla daha yavaş gerçekleşmekte olduğunu göstermektedir. Ayrıca, precision değerlerinin recall değerlerinin üzerinde seyretmesi, modelin tahmin sürecinde daha temkinli davrandığını ve özellikle azınlık sınıflarda yanlış pozitifleri önlemeye çalıştığını göstermektedir. Bu eğilim, sınıf dengesizliğinin etkisiyle modelin karar eşiğini daha sık gözlemlenen sınıflar lehine kaydırmakta olduğuna işaret etmektedir. Modelin güvenilirliği, Cohen's Kappa ve Matthews Korelasyon Katsayısı (MCC - Matthews Correlation Coefficient) gibi istatistiksel doğruluk ölçütleriyle değerlendirilmektedir. Bu metrikler, hem sınıf artımlı öğrenme senaryolarında hem de veri setinin doğal zaman akışıyla işlendiği deneysel kurulumlarda %95'in üzerinde istikrar sergilemekte olup, modelin yalnızca doğruluk açısından değil, aynı zamanda güvenilirlik bakımından da güçlü bir performans ortaya koyduğunu göstermektedir. Sonuç olarak, bu tez kapsamında geliştirilen iki farklı yaklaşım, farklı öğrenme gereksinimlerine sahip sistemler için çözüm üretmeyi amaçlamaktadır. Derin öğrenme mimarisine entegre edilen EWC mekanizması, bilgi koruma ve azınlık sınıfların öğrenimi açısından etkili bir yapı sunmaktadır. Öte yandan, CIL-DOE temelli Hoeffding Tree modeli ise çevrim içi, sürekli ve hafif yapılı sistemler için uygun bir sınıf artımlı öğrenme stratejisi olarak öne çıkmaktadır. Her iki yaklaşım da sınıf dengesizliği, unutma ve yeni sınıflara adaptasyon gibi sınıf artımlı öğrenmenin temel zorluklarına karşı, yüksek genelleme kapasitesine sahip, esnek ve sürdürülebilir çözümler üretme potansiyeli taşımaktadır.