Integrated binary artificial bee colony algorithm with NAÏVE bayesian classifier for network intrusion detection system
Ağ saldırı tesbit sistemi için NAÏVE bayes sınıflandırıcı ile yapay arı koloni algoritmasının birlikte kullanımı
- Tez No: 518456
- Danışmanlar: PROF. DR. DERVİŞ KARABOĞA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Saldırı tespit sistemleri, öznitelik seçim, Yapay Arı Kolonisi, Naive Bayes Sınıflandırıcı, Intrusion Detection Systems, Feature Selection, Artificial Bees Colony, Naïve Bayesian Classifier
- Yıl: 2018
- Dil: İngilizce
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Intrusion detection sistemleri (IDS), erken aşamalarda tüm saldırı biçimlerini etkin bir şekilde algılayarak bilgisayar sistemlerinin güvenliğini artıran temel bileşenlerdir. IDS gerçek zamanlı saldırı tespitleri için anormal davranışları veya saldırı işaretlerini bulmak için ağ trafiğini izler ve analiz eder. IDS için önemli bir sorun, büyük veriyi işlemekteki yetersizliği ile birleştiğinde yeterli hassasiyet ve doğruluğu sunamamasıdır. Artan trafik, devasa davranış profilleri, büyük işaret veri tabanları ve normal davranışların şüpheli olanlardan ayırt edilememesi gibi sorunları çözmek için birçok algoritma geliştirilmiştir. Bu nedenle, bu çalışmanın temel amacı, yüksek algılama oranları, hızlı eğitim ve test süreçleri sunabilen, optimal bir makine öğrenimi algoritmasının geliştirilmesi için farklılaşan özellikleri seçmektir. Önerilen makine öğrenme modeli, Binary Yapay Arı Kolonisi ile Naive Bayes Sınıflandırıcı birleşimine dayalı bir özellik seçim algoritmasını (wrapper tip) içerir. Önerilen modelin performansı MIT Lincoln Laboratuvarı tarafından hazırlanan NSL_KDD veri setleri üzerinde test edilmiştir. Model testi çeşitli deneylere ve farklı senaryolara (sürü büyüklüğünün, iterasyon sayısının ve sınırın etkisi) dayanmaktadır. Sınıflandırma doğruluk değeri daha yüksek olan minimum özellik sayısını bulabilme yeteneğini değerlendirmek için algoritma test edilmiş ve bilinen en düşük sayıdaki öznitelikleri bulabildiği gözlemlenmiştir. Modelin en iyi ortalama doğruluk değeri, sürü büyüklüğü 60 ve itearsyon sayısı 500 alındığında %96.19 olarak bulunmuştur. Sonuç olarak, önerilen öznitelik bulma algoritmasının ağ saldırı tespit sisteminin sınıflandırma başarısını arttıran en ilgili öznitelikleri başarıyla bulabildiği görülmüştür.
Özet (Çeviri)
The intrusion detection systems (IDS) are essential components which enhance the security of computer systems by actively detecting all forms of attack at the early stages. The IDS monitor and analyze network traffics in search for abnormal behaviors or attack signatures for real-time intrusion detection. A major issue of the IDS is their inability to offer adequate sensitivity and accuracy; coupled with their inability to process enormous data. To address these issues (such as the increasing traffic, huge behavior profiles, large signature databases, and the inability of differentiating normal behaviors from the suspicious ones), several algorithms have been developed. Hence, the main aim of this work is to choose the differentiating features for the development of an optimal machine learning algorithm which can offer high detection rates, fast training, and testing processes. The proposed machine learning model contains a feature selection algorithm (wrapper type) which is based on the integration of Binary Artificial Bee Colony (ABC) with the Naïve Bayesian Classifier (NBC). The performance of the proposed model was tested on NSL_KDD data sets prepared by MIT Lincoln Laboratory. The model testing was based on several experiments and different scenarios (the effect of swarm size, number of iterations, and the limit). For evaluating the ability of selecting the minimum number of features with the higher value of classification accuracy, the algorithm worked perfectly and selected the lowest number of features. The model achieved the best average accuracy of 96.19% when using the size of the swarm is equal to 60 and 500 iterations. In conclusion, the propose feature selection algorithm has the ability to select the most relevant features which enhance the classification accuracy of the network intrusion detection system.
Benzer Tezler
- İkili optimizasyon problemlerinin çözümü için yapay alg algoritması tabanlı yeni yaklaşımlar
Novel approaches based on artificial algae algorithm to solve binary optimization problems
SEDAT KORKMAZ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA SERVET KIRAN
- Dinamik yapay sinir ağları sistemi önerisi
Dynamic artificial neural network system proposal
ERKAM GÜREŞEN
Doktora
Türkçe
2014
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLGÜN KAYAKUTLU
- Yapı üretim sürecindeki iş kazaları şiddetinin ön bilgilendirilmiş yapay öğrenme metodu ile tahmini
Estimation of the severity of occupational accidents in the building process with pre-informed artificial learning method
MUSTAFA TÜRKER
Doktora
Türkçe
2021
İnşaat MühendisliğiGazi Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. RECEP KANIT
- Stokastik hesaplama alternatifi olarak bit katarı hesaplama ile hatasız aritmetik işlem bloklarının tasarımı
Design of accurate arithmetic operation blocks via bit stream computing as an alternative to stochastic computing
ENSAR VAHAPOĞLU
Yüksek Lisans
Türkçe
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA ALTUN
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA