A semi supervised classification based approach using autoencoders for intrusion detection system
Autoencoder kullanan yarı denetimli sınıflandırma tabanlı saldırı tespit sistemi
- Tez No: 715548
- Danışmanlar: DR. ÖĞR. ÜYESİ CAHİT PERKGÖZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Eskişehir Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Fen Bilimleri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 66
Özet
Nesnelerin İnterneti (IoT), bulut tabanlı çözümler ve geniş veri trafiği alanındaki gelişmeler, karmaşık ağ saldırılarının üstesinden gelebilecek, anormallik tespit yöntemlerine yönelik güçlü çözümler içeren yeni Saldırı Tespit Sistemlerinin (IDS) tasarlanabilmesinin yolunu açmıştır. Derin öğrenme (DP) ve makine öğrenimindeki (ML) hızlı gelişmeler, karmaşık saldırılara güçlü bir çözüm getirme fırsatına sahip olduğu için araştırmacıların dikkatini çekmiştir. Güvenlik duvarı gibi diğer geleneksel tekniklerle karşılaştırıldığında, Saldırı Tespit Sistemi (IDS), ağ tabanlı siber saldırılara karşı ilk koruma katmanıdır. Önceden var olan saldırı tespit sistemleri, genellikle Rassal Orman ve Karar Ağacı gibi geleneksel makine öğrenimi modellerine dayanmaktadır, ancak bu modeller daha çok yapay özellik çıkarımına (feature extraction) dayanmaktadır ve nispeten daha düşük doğruluğa sahiptir. Bu çalışmada Saldırı Tespit Sistemlerinde düşük algılama ve özellik çıkarma sorunlarını çözmek için, hem Güdümlü hem de Güdümsüz Öğrenme (Yarı Güdümlü) yaklaşımlarını Saldırı Tespit Sistemlerine (IDS) dahil etmek için yeni bir yaklaşım önerilmiştir. Önerilen model, bir boyut azaltma tekniği olan Derin Otokodlayıcı içermektedir. Eğitimli DAE kodlayıcı, özellikleri yalnızca otomatik olarak çıkarmaz, aynı zamanda bu gizli katman, IDS'nin algılama doğruluğunu artırmak için Naive Bayes ve Rassal Orman gibi Güdümlü Öğrenme algoritmalarına girdi olarak kullanılabilir. UNSW-NB15 veri setinde önerilen modelin genel performansı değerlendirilmiş ve sonuçların, modelin Derin Otokodlayıcı (DAE) kullanılmayan diğer modellere göre daha iyi bir performansa sahip olduğunu gösterdiği görülmüştür.
Özet (Çeviri)
With the major developments in Internet-of-Things (IoT), cloud-based solutions, and wide selection of data traffic, there is a rising demand for powerful anomaly detection methods for intrusion detection systems (IDS) that can overcome sophisticated network attacks. Rapid advancements in deep learning (DP) and machine learning (ML) have gained the attention of researchers as it has the opportunity to bring a powerful solution to complex attacks. In comparison to other conventional techniques, such as firewall, an Intrusion Detection System (IDS) is the first layer of protection against network-based cyberattacks. Currently available intrusion detection approaches are often based on conventional machine learning models such as Random Forest and Support Vector Machine, and while they depend heavily on manual feature extraction, they have relatively a lower level of accuracy. To overcome the shortcomings of intrusion detection systems in terms of detection and feature extraction, a unique approach to incorporating both supervised learning as well as unsupervised learning (Semi supervised) into Intrusion Detection Systems (IDS) is proposed. The proposed method is utilizing Deep Autoencoder (DAE) being a dimensionality reduction technique. The trained DAE encoder cannot just automatically extract features, also the latent layer can be used as an input to supervised learning algorithms such as Naive Bayes and K-Nearest Neighbor to enhance the detection accuracy of IDS. The overall performance of the proposed model is evaluated using the UNSW-NB15 dataset. The results show that the model has better performance than a number of models where Deep Autoencoder (DAE) is not used.
Benzer Tezler
- Derin sinir ağı temelli üst özkodlayıcıların yapay öğrenme yöntemleriyle eğitilmesi
Training deep neural network based hyper autoencoders with machine learning methods
DERYA SOYDANER
Doktora
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMimar Sinan Güzel Sanatlar Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NALAN CİNEMRE
- Deep learning based three dimensional face expression recognition using geometry images from three dimensional face models
Üç boyutlu yüz modellerinden elde edilen geometri görüntüleri kullanılan derin öğrenme tabanlı üç boyutlu yüz ifadelerini tanıma
NEŞE GÜNEŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ULUĞ BAYAZIT
- Corpus-based semantic kernels for supervised and semi-supervised text classification
Eğiticili ve yarı-eğiticili metin sınıflandırması için derlem tabanlı anlambilimsel çekirdekler
AYŞE BERNA ALTINEL
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BANU DİRİ
YRD. DOÇ. DR. MURAT CAN GANİZ
- State-of-mind classification from unstructured texts using statistical features and lexical network features
İstatistiksel öznitelikler ve sözcüksel ağ özniteliklerini kullanarak, formatsız metinlerde düşünce yapısı sınıflandırılması
ULYA BAYRAM
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of CincinnatiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. JOHN PESTIAN
- Türkçe metinlerde denetimli ve sözlük tabanlı duygu analizi yaklaşımlarının karşılaştırılması
Comparison of supervised and dictionary based sentiment analysis approaches on Turkish text
BURAK İBRAHİM SEVİNDİ
Yüksek Lisans
Türkçe
2013
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HACER KARACAN