Geri Dön

An enhanced hybird intrusion detection system based on deep and traditional learning models

Derin ve geleneksel öğrenme modellerine dayalı gelişmiş bir hibrit saldırı algılama sistemi

PDF İndir

  1. Tez No: 1005515
  2. Yazar: REMAN SAADULDEEN SAADALLAH
  3. Danışmanlar: Assist. Prof. Dr. AHMET ŞENOL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Üsküdar Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Saldırı Tespit Sistemleri IDS, ağ ortamında güvenlik tehditlerinin tespitinde önemli bir rol oynar. Mevcut IDS yaklaşımlarının çoğu, dengesiz bir veri kümesi, yüksek boyutlu bir özellik alanı ve değişken saldırı özellikleri gibi sorunlarla karşı karşıyadır. Bu sınırlamaların üstesinden gelmek için bu çalışma, (AE), Evrişimli Sinir Ağı (CNN), İleri Beslemeli Sinir Ağı (FNN) ve bir SGD sınıflandırıcı gibi birden fazla öğrenme modelini birleştirerek yeni bir hibrit IDS modeli oluşturur. Otomatik Kodlayıcı, anomalileri tespit etmek için boyut azaltma (bilginin çoğunu kaybetmeden) için kullanılır. CNN ve FNN yapıları kullanılır; birincisi ayırt edici üst düzey özellikleri çıkarırken, ikincisi temsiller öğrenildiğinde ağ akışlarından ağ trafiğini tahmin eder. SGB sınıflandırıcısı basit ve hızlı bir doğrusal model olduğundan, daha kesin ve doğru sınıflandırma elde etmek için olasılık karar tabanlı sınır tabanlı olabilirlik kullanarak metin sınıflandırmasını geliştiriyoruz.

Özet (Çeviri)

Intrusion Detection Systems IDS plays an essential role in the network environment in detecting security threats. Most current IDS approaches are confronted with the issues of an imbalanced dataset, a high-dimensional feature space, and variable attack characteristics. To cope with these limitations, this work constructs a novel hybrid IDS model by combining more than one learning model, such as (AE), Convolutional Neural Network(CNN), Feed-Forward Neural Network(FNN), and an SGD classifier. The Autoencoder is applied for dimensionality reduction (without dropping much of the information) to identify anomalies. CNN and FNN structures, the former extracting discriminative high-level features and the latter predicting network traffic from network flows when the representations are learned, are employed. With the SGB classifier being a simple and fast linear model, we enhance text classification using probability decision-based boundary-based likelihood to get more precise and accurate classification. To deal with the class imbalance problem, the Synthetic Minority Over-sampling Technique (SMOTE) is used to balance the dataset to alleviate the damage of the under-represented attack classes. Furthermore, a majority voting ensemble strategy is used to combine the predictions of the CNN, FNN, and SGD classifiers to enhance the robustness and accuracy of the ultimate decision. Experiments demonstrate that the proposed hybrid model is superior to traditional models in terms of detection rates, precision, and recall, detecting known and unknown attack types. This method is believed to be a promising solution for improving the security of networks in the real world, which adopts deep learning for feature extraction and effective ensemble-based classification to advance real-world IDS deployments.

Benzer Tezler

  1. Tez No

    933492

    Makine ve derin öğrenme yaklaşımlarına dayalı saldırı tespit sistemi

    Intrusion detection system based on machine and deep learning approaches

    HAMDULLAH KARAMOLLAOĞLU

    Doktora

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. İBRAHİM YÜCEDAĞ

    DOÇ. DR. İBRAHİM ALPER DOĞRU

  2. Tez No

    1015641

    Saldırı tespit sistemlerinde yapay zekâ tabanlı anomali tespiti

    Artificial intelligence-based anomaly detection in intrusion detection systems

    AWAB DAW SAAD KHALEFA

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET ZENGİN

  3. Tez No

    1005240

    Data-drıven and explaınable ıntrusıon detectıon: acomprehensıve framework usıng shap-guıded featureengıneerıng and robustness testıng

    Veri odakli ve açiklanabilir saldiri tespiti: Shaprehberli özellik mühendisli̇ği ve dayaniklilik testlerikullanilarak kapsamli bir çerçeve

    BUĞRA VARLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ARDA SEZEN

  4. Tez No

    964929

    Anomaly detection in ınternet of medical things using deep learning

    Anomaly detect ionin internet of medical things using deep learning

    AYŞE BETÜL BÜKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  5. Tez No

    972760

    A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles

    İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi

    BURCU SÖNMEZ SARIKAYA

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞERİF BAHTİYAR

Geri Dön