DDOS attack detection based on machine learning
Başlık çevirisi mevcut değil.
- Tez No: 719779
- Danışmanlar: DR. ÖĞR. ÜYESİ ZAFER ALBAYRAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Dağıtık servis dışı bırakma saldırıları, Derin öğrenme, Evrişimli sinir ağları, Makine öğrenmesi, Uzun kısa süreli bellek, Distributed denial of service attacks, Deep learning, Convolutional neural networks, Machine learning, Long- short term memory
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dağıtılmış hizmet reddi (DDOS) saldırıları, ağlara ve Saldırı Tespit Sistemlerine (STS) yönelik yapılan saldırıların başında gelmektedir. Bu saldırılar sunucuların hizmet dışı kalmasına, kullanıcıların bu sunuculardan hizmet almasında sıkıntı yaşamalarına; ayrıca firmaların itibar ve gelir kaybetmesine neden olmaktadır. Bu nedenle bu çalışma en doğru sonuçlar veren iki derin öğrenmesi algoritmasından oluşturulmuş bir yöntem önermektedir. Bu yöntem CLSTMNet olarak önerilmiştir. CLSTMNet mimarisi evrişimsel sinir ağları (CNN) katmanlarından ve uzun-kısa süreli (LSTM) algoritmasının performansı ile NSL-KDD veri setine uygulanarak karşılaştırılmıştır. Performans kriteri olarak doğruluk, kesinlik, hatırlama ve F1-score değerleri alınmıştır. Yapılan deneysel sonuçlarda CLSMNet yaklaşımının tüm metriklerde mevcut algoritma yaklaşımlarına göre en iyi performans değerlerine ulaştığı görülmüştür.
Özet (Çeviri)
Distributed denial-of-service (DDoS) attacks are almost always placed at the top of the hierarchy of attacks facing networks and Intrusion Detection Systems (IDS). For the reason that these attacks cause servers to fail, causing users to be inconvenienced when requesting service from those servers, as well as causing the company's reputation to suffer and revenue to be lost. Therefore, this study suggested a modern method that is constructed from two of the best deep learning algorithms. Therefore, this study suggested a modern method that is constructed from two of the best deep learning algorithms to detect DDoS attacks more accurately, namely the CLSTMNet. The CLSTMNet architecture was composed of seven layers that were compacted from the Convolutional Neural Networks (CNN) layers and the Long Short-Term Memory (LSTM) layers. The performance of CLSTMNet was compared with the performance of both CNN and LSTM by applying them to the NSL-KDD dataset. The performance evaluated utilizing four metrics: accuracy, precision, recall, and F1 score. Experimental results illustrated that CLSTMNet had outperformed compared to others in all metrics. When compared to most previous work that used various machine learning algorithms, our model has the highest accuracy.
Benzer Tezler
- Machine Learning Based Intrusion Detection of DDoS Attack on IoT Devices
Machine Learning Based Intrusion Detection of DDoS Attack on IoT Devices
SULEMAN MOHAMMED
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. MUHAMMAD ILYAS
- An efficient approach for intrusion detection system based on machine learning
Makine öğrenimine dayalı etkin bir yaklaşım tespiti tespit sistemi
AHMED KHUDUR
Yüksek Lisans
İngilizce
2022
Bilim ve TeknolojiBahçeşehir ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
DOÇ. DR. TAMER UÇAR
- DDoS attack detection using machine learning and deep learning methods
Makine öğrenmesi ve derin öğrenme yöntemleri ile DDoS atak tespiti
DENİZ MERVE GÜNDÜZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTed ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN KUĞU
- An open-source, machine learning based intrusion detection system
Makı̇na öğrenmesı̇ tabanlı açık kaynak kodlu saldırı tespı̇t sı̇stemı̇
ZEMRE ARSLAN TÜVER
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. ENVER ÖZDEMİR
- Makina öğrenmesile biyometrik sahtekarlığa ve ağ anormallik tespitine dayalı saldırı tespiti
Intrusion detection based on biometric spoofing and network anomaly detection with machine learning algorithms
SAJAD EINY
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CEMİL ÖZ