Deep learning based fully autonomousnetwork intrusion detection system
Derin öğrenme tabanlı tam otonomağ giriş tespit sistemi
- Tez No: 672484
- Danışmanlar: Prof. Dr. OSMAN NURİ UÇAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bu tezin amacı, derin öğrenmeye dayalı tam otonom bir derin öğrenmeyi kullanmak ve değerlendirmektir. ağ saldırı tespit sistemi. Derin öğrenmenin artan şekilde benimsenmesi beraberinde veri kümesine ağ izinsiz girişinin katılımının artması ve bu tür yeni derin yöntem evrişimli sinir ağı saldırı sınıflandırmalarına ihtiyaç vardır. Değerlendirmesi ve sonuçları deneyler, ileri beslemeli, tamamen bağlı bir sinir ağı kullanılarak sağlanmıştır. NID Kaggle veri kümesindeki sınıflandırıcı. Bu veri kümesi, eğitim için% 80 ve eğitim için% 20'ye bölünmüştür. doğrulama için 10 kat ile test etme. Bu çalışmada, bir ağın ağa girişi derin, tamamen bağlı derin evrişimli sinir ağlarının kullanımını değerlendiren ağ akışlarını iyi huylu veya kötü huylu olarak sınıflandırmak. Derin evrişimli sinir ağı ağ akışlarını kötü huylu ve iyi huylu olarak sınıflandırma becerisinde iyi performans gösterir ve % 90 eğitimde kötü huylu için doğruluk 250 üzerinden 228 yüzdelik kadar yüksek ancak iyi huylu 69 yüzdelik bir skor elde etti. Bu çalışmayı gerçekleştirmek için MATLAB R2019b'yi kullandık. ÖZ DERİN ÖĞRENME TABANLI TAM OTONOM AĞ SALDIRI TESPİT SİSTEMİ DAKHIL, Zaid Farhan Dakhil, Yüksek Lisans, Elektrik ve Bilgisayar Mühendisliği, Altınbaş Üniversitesi, Danışman: Prof.Dr.Osman Nuri UÇAN Tarih: 02/2020 Sayfalar: 63 viii derin öğrenme araç kutusu ve en son kıyaslama veri seti kullanıldı. Deneyler sonuç verdi derin evrişimli sinir ağları kullanırken diğer önde gelen tekniklerden daha iyi performans gösteren şebeke akışlarının sınıflandırılması. Ayrıca, tarafından üretilen akış istatistiklerinin kullanımının DCNN, bir tekniğe ek olarak izinsiz girişi tespit etmede daha doğruydu Derin evrişimli sinir kullanarak kategorik değişkenlerin boyutsallık azaltılması ağ algoritması, uygulamanın olağanüstü bir doğruluk, bir algılama 0,9993 oranı ve yalnızca 0,0003'lük yanlış pozitif oranı. Algoritma test edildikten sonra sonuç sütunu, paketin saldıran bir paket olup olmadığını tahmin eder ve% 96.77 doğruluk gösterir. sadece 0.57 sn. Sonuçlardan da anlaşılacağı gibi, derin evrişimli sinir ağı iyi performans gösteriyor ağ akışlarını kötü niyetli ve zararsız olarak sınıflandırma becerisiyle, düşük bir yanlış pozitif oranı sadece 0.000127 ve F1 skoru 0.9990. Eğitimli ağ 0,9987'ye ulaştı IP'lere sahip DCNN durumunda hassasiyet için 0.9993 geri çağırma için ve 0.9990 F1 skoru için ise 0.9784 IP'ler olmadan DCNN durumunda hassasiyet için 0.9677 ve geri çağırma için 0.9730 F1-skoru için.
Özet (Çeviri)
The aim of this thesis is to use develop and evaluate a deep learning based fully autonomous network intrusion detection system. The growing adoption of deep learning brings with it the increased participation of network intrusion in dataset, and as such novel method of deep convolutional neural network attack classifications are needed. Evaluation and results of experiments are provided from using a deep feed forward fully connected neural network classifier on the NID Kaggle dataset. This dataset is splitted in 80% for training and 20% for testing with 10-cross fold for validation. In this work, network intrusion of a network was presented that evaluated the use of deep fully connected deep convolutional neural networks for classifying network flows as benign or malignant. The deep convolutional neural network performs well in its ability to classify network flows as malignant and benign, achieving an accuracy for malignant at 90% training as high as 228 percentile out of 250 however for benign it achieved a score of 69 percentile. To perform this work, we used the MATLAB R2019b with ABSTRACT DEEP LEARNING BASED FULLY AUTONOMOUS NETWORK INTRUSION DETECTION SYSTEM DAKHIL, Zaid Farhan Dakhil, M.S, Electrical and Computer Engineering, Altınbaş University, Supervisor: Prof. Dr. Osman Nuri UÇAN Date: 02 / 2020 Pages: 63 viii deep learning toolbox and recent benchmark dataset was used. The experiments showed results that outperformed other leading techniques when using deep convolutional neural networks for classification of network flows. Further, it was shown that the use of flow statistics generated by the DCNN were more accurate in detecting the intrusion, in addition to a technique of dimensionality reduction of the categorical variables using the deep convolutional neural network algorithm, enabled the application to achieve an extra-ordinary accuracy, a detection rate of 0.9993, and a false positive rate of only 0.0003. After the algorithm was tested the result column predicts whether the packet is an attacking packet or not and shows 96.77% accuracy in just 0.57s. As can been seen by the results, the deep convolutional neural network performs well in its ability to classify network flows as malicious and benign, achieving a low false positive rate of only 0.000127 and achieving an F1-score of 0.9990. The trained network achieved 0.9987 for precision, 0.9993 for recall and 0.9990 for F1-score in case of DCNN with IPs while 0.9784 for precision, 0.9677 for recall and 0.9730 for F1-score in case of DCNN without IPs.
Benzer Tezler
- Derin öğrenme tabanlı algoritmalar kullanarak fizyolojik işaretlerden uyku skorlaması
Sleep scoring in physiological signals by deep learning-based algorithms
HASAN ZAN
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULNASIR YILDIZ
- Derin öğrenme tabanlı yöntemlerle düşük ışıklı görüntü iyileştirme
Low light image enhancement with deep learning based methods
EMİN CİHANGİR US
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- Derin öğrenme ile paratüberküloz hastalığının patolojik görüntüler üzerinden tanı sisteminin geliştirilmesi
Deep learning based development of diagnostic system of paratuberculosis disease through pathological images
NİLGÜN ŞENGÖZ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSüleyman Demirel ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCAY YİĞİT
PROF. DR. ALİ HAKAN IŞIK
- Video görüntüleri üzerinde derin öğrenme tabanlı anormal durum tespiti ve derinlik tahmini
Deep learning based abnormal situation detection and depth estimation on video images
NURİ ÖZÇELİK
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖVÜNÇ POLAT
- Arama motorları için derin öğrenme tabanlı sorgu önerisi çerçevesi
Deep learning based query suggestion framework for search engines
FATİH ÇELİK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİBEL SENAN