Optimized weighted ensemble classifier for intrusion detection application
Eniyilenmiş ağırlıklı sınıflandırıcı topluluğu ile saldırı tespit uygulaması
- Tez No: 461083
- Danışmanlar: DOÇ. DR. HAMİT ERDEM
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2017
- Dil: İngilizce
- Üniversite: Başkent Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 93
Özet
Bilgisayar ve iletişim sistemleri modern hayatın temellerini oluşturmaktadır. Internet ağının gelişmesiyle birlikte bu sistemlerin kullanımında büyük artışlar olmakta, ancak bu sistemlere yönelik saldırılar da aynı oranda artmaktadır. Bu yüzden, söz konusu sistemlerin saldırılara karşı korunması ve gelen saldırıların tespiti giderek önem kazanmış ve bu amaçla Saldırı Tespit Sistemleri (STS) geliştirilmiştir. Son yıllarda STS'lerde makine öğrenmesi ve eniyileme tekniklerinin kullanımı giderek artmaktadır. Bu tez çalışmasında özgün STS yöntemleri önerilmiş ve önerilen bu yöntemler KDD99 ve türevi NSL-KDD veri setleri kullanılarak doğrulanmıştır. STS çalışmaları üzerinde yapılan detaylı literatür taraması sonucuna göre, bu veri setlerinin makine öğrenmesi alanında kullanımına yönelik detaylı istatistikler çıkarılmıştır. Çalışmanın devamında, STS için iki farklı sınıflandırıcı füzyon yöntemi geliştirilmiştir. Geliştirilen ilk yöntemde sınıflandırıcı çalışmaları için önemli bir aşama olan nitelik çıkarma ve sınıflandırıcı füzyonu ağırlık bulma işlemleri, Genetik Algoritmalar (GA) kullanılarak gerçekleştirilmiştir. Geliştirilen yöntem, Genetik Algoritma tabanlı Nitelik Seçme ve Ağırlık Bulma (GA-NS-AB) yöntemi olarak tanımlanmıştır. Geliştirilen ikinci yöntemde ise sınıflandırıcı füzyonunda sınıflandırıcıların ağırlıklı olarak birleştirilmesi tekrar incelenmiştir. Önerilen yöntemde, ağırlıkların belirlenmesi için dışbükey gevşetme ve dışbükey eniyileme yöntemleri kullanılmıştır. Sınıflandırıcı ağırlıklarını bulma problemi, eniyileme problemi olarak modellenmiş ve yeni bir maliyet fonksiyonu tanımlanmıştır. Geliştirilen her iki yöntemde de NSL-KDD veri setinin tamamı kullanılırken, yöntemlerin başarısı benzer yöntemlerle karşılaştırılmıştır.
Özet (Çeviri)
Computer and communication systems become the foundations of modern life. With the advances in the Internet, usage of these systems increases and intrusions against these systems increases too. Therefore, finding and preventing intrusions against these systems becomes more and more important. To protect these systems, Intrusion Detection Systems (IDS) are implemented. In recent years, machine learning and optimization techniques are increasingly used in IDS. New methods are implemented using KDD99 and its derivative NSL-KDD datasets based on intelligent IDS systems in this thesis study. First, a detailed review is made on studies that uses above mentioned datasets, and according to this review, detailed statistics are derived on usage of these datasets. Next, two different methods are proposed for IDS. These methods are based on principles of classifier ensemble and hybrid IDS. In the first method, genetic algorithms (GA) are used for feature selection (an important part for classification) and ensemble weight finding. The proposed method is named as Genetic Algorithms based Feature Selection and Weights Finding (GA-FS-WF). In the second method, hybrid ensemble classifier subject re-visited again. In this method, convex optimization techniques are used for finding weights for ensemble classifiers. Proposed method models weights finding in ensemble as a mathematical objective function and solves it as an optimization problem. In both proposed methods, full dataset NSL-KDD is used. Success of proposed methods are measured with classifier performance metrics and compared with similar methods in the literature.
Benzer Tezler
- Online anomaly detection in the Neyman-Pearson hypothesis testing framework
Neyman-Pearson hipotez testi çerçevesinde çevrimiçi anomali tespiti
BAŞARBATU CAN
Doktora
İngilizce
2022
Elektrik ve Elektronik MühendisliğiSabancı ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN
- Ağırlıklı çoklu sınıflandırıcı kullanarak biyolojik verilerin tahmini
Prediction of biological data by using weighted ensemble classifiers
TAYLAN İYİDOĞAN
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TANSEL ÖZYER
- An ensemble deep learning framework for multimodal Parkinson's disease detection using voice, drawing and sensor data
Ses, çizim ve sensör verilerine dayalı multimodal bir ensemble derin öğrenme yaklaşımı ile Parkinson hastalığının tespiti
REYHAN ZEYNEP PEK
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REDA ALHAJJ
- Optimizing network performance rough image processing techniques in omputer science it
Ağ performansını optimize etme bilgisayar bilimlerinde kaba görüntü işleme teknikleri bt
HUSAM AMEER ABD ALMAGED AL KHAWAJA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DOÇ. DR. SEFER KURNAZ
- A novel framework for real time transient stability prediction in power systems under data integrity attacks
Veri bütünlüğü saldırıları altındaki güç sistemlerinde gerçek zamanlı geçici hal kararlılık tahmini için özgün bir yaklaşım
KEMAL AYGÜL
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ