Zero-day attack detection with deep learning
Derin öğrenmeyle sıfırıncı gün saldırı tespiti
- Tez No: 582676
- Danışmanlar: DR. ÖĞR. ÜYESİ PELİN ANGIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Nesnelerin İnterneti paradigmasının son yıllardaki yükselişi, bu sistemlere yönelik büyük hasarlara neden olabilecek benzeri görülmemiş sayıda sıfırıncı gün saldırına alan açmıştır. Derin öğrenme son zamanlarda, tanınmış imzalara sahip olanlara ek olarak sıfırıncı gün saldırılarını tespit etme potansiyeli yüksek, popüler bir teknik haline gelmiştir. Bu tezde, gözetimli ve gözetimsiz derin öğrenme algoritmalarının sıfırıncı gün saldırılarını tespit etmedeki etkinliğini analiz ettik. Analizleri farklı derin öğrenme modelleri üzerinde yaptık ve bu algoritmaların performanslarını birbirleri ile kıyasladık. Test edilen modeller derin öğrenme algoritmaları ileriye dönük sinir ağları, özyineli sinir ağları ve evrişimli sinir ağlarıdır. Test sonuçları, %95.3 doğruluk puanı ve %97 f1-puanı ile güdümsüz derin öğrenme metodlarının saldırı tesbitinde başarılı olduğunu gösterdi. Eğitim seti ile aynı ortamda üretilen test setlerinin yanı sıra eğitim setinden farklı ortamlarda oluşturulmuş test setleri de derin öğrenme yöntemlerini test etmek için kullanıldı. Yapılan bu testler derin öğrenme yöntemlerinin farklı ortamlarda oluşturulmuş setlerdeki her saldırıyı tespit edemese de bazı saldırıları düşük yalancı pozitif oranları ile tespit edebildiğini gösterdi.
Özet (Çeviri)
The rise of the IoT paradigm in the past decade has resulted in an unprecedented number of zero-day attacks launched against IoT systems, which are capable of causing major damages. Deep learning has recently become a popular technique for many learning tasks including intrusion detection, with high potential to detect zero-day attacks in addition to ones with well-known signatures. In this thesis, we analyzed the efficacy of supervised and unsupervised deep learning algorithms for detecting zero-day attacks. We experimented with different neural network architectures including fully connected, recurrent and temporal convolutional models. The proposed deep learning models were proven to be effective in intrusion detection with achievement of 95.3% classification accuracy and 97% f1-score. The models were tested on datasets created using the same environment with the training dataset as well as datasets created in different environments through transfer learning. The tests on the datasets, which were created in different environments showed that deep learning algorithms are capable of detecting some of the attacks with low false positive rates.
Benzer Tezler
- Derin öğrenme yöntemleri ile bilgisayar ağlarında güvenliğe yönelik anormallik tespiti
Deep learning based network anomaly detection
RÜSTEM CAN AYGÜN
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ GÖKHAN YAVUZ
- Derin öğrenme tabanlı oltalama saldırıları tespit sistemi
Deep learning based development of pishing attack detection
FERDİ GÜL
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DOÇ. DR. ÖNDER DEMİR
- Zeki web uygulama saldırı tespit sistemi
Intelligent web application attack detection system
MEHMET SERHAN ERÇİN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ESRA NERGİS YOLAÇAN
- Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi
Machine learning based intrusion detection system in software defined networks
BİROL EMEKLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- Detection of phishing web pages by combining semantical and visual information
Kimlik avcısı web sayfalarının anlamsal ve görsel bilgiyle tespiti
AHMAD HANI ABDALLA ALMAKHAMREH
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET SELMAN BOZKIR