Makine öğrenme yöntemleri ile network data analizi
Network data analysis with machine learning methods
- Tez No: 752666
- Danışmanlar: DR. ÖĞR. ÜYESİ BÜLENT TUĞRUL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağ data Analizi, Ağ Güvenliği, Hizmet Engelleme Saldırısı, Makine Öğrenmesi, Saldırı Tespit Sistemi, Siber Saldırı, Port Tarama, Ağlar, Bilgisayar korsanı, Makine öğrenmesi yöntemleri, Veri analizi, Cyber Attack, Distributed Denial of Service Attack (DDOS), Intrusion Detection System, Machine Learning, Network Analysis, Network Security, Port Scan, Networks, Hacker, Machine learning methods, Data analysis
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Adli Bilimler Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Saldırı tespit sistemleri ağa yapılan saldırıları ağ yöneticilerine bildirmek için kullanılan tekniklerden biridir. Her ne kadar çeşitli anomali tespit teknikleri geliştirilmiş olsa da, bu alanda yüksek veri boyutsallığı, hesaplama karmaşıklığı üzerindeki etki, ve hesaplama süresi gibi zorluklar ve sorunlar bulunmaktadır. Bunun yanı sıra saldırı tespit sistemlerinin yanlış alarım vermeleride anomaliy trafik tespit sorunlarından biri olmakta, bu sorunları aşmak için makina öğrenme yöntemlerine başvurarak sorunların azaltılması ve saldırı tepit sistemlerinin performansını yükseltilmesi amacıyla kullanılmakta. Bu çalışmada saldırı tespit sistemlerinin performansını yükseltmek amaçlı makina öğrenme yöntemlerine sunulan CICIDS2017 veri seti veri önişlemeden geçerek üzerinde gerçekleştirdiğimiz makina öğrenme yöntemleri ile (naive bayes, destek vektör makinesi, karar ağacı, K-en yakın komşu ve çok katmanlı algılayıcı ) en iyi performansı gösteren algoritmayi saldırı tespit sistemlerinde kullanılması önerilmektedir. Veriseti üzerinde önişleme gerçekleştirdikten sonra dengeli ve temiz bir veriseti elde edilip belirlediğimiz makina ögrenme yötemlerini gerçekleştirerek elde ettiğimiz en iyi performans gösteren karar ağacı algoritması olup %99.9249 bir doğruluk oranına sahip olarak belirlediğimiz makina öğrenme yöntemlerin en yüksek performansı gösteren algoritması oldu. Bu algoritma çalışmamızda saldiri tespit sistemleri tarafından kullanılması için önerilen algoritma olup STS'nin çeşitli ağ trafiğini ayırt etmesine ve dışarıdan gelen trafiği saldırı olup olmamasına karak vermesinde yardımcı olacaktır.
Özet (Çeviri)
Intrusion detection systems are one of the techniques used to notify network administrators of attacks on the network.. Although various anomaly detection techniques have been developed, there are difficulties and problems in this area such as high data dimensionality, the impact on computational complexity, and computational time. In addition, anomalies are one of the traffic detection problems when attack detection systems give false alarms, and in order to overcome these problems, they are used to reduce problems by resorting to machine learning methods and improve the performance of attack response systems. In this study, the CICIDS2017 dataset, which was presented to machine learning methods to increase the performance of intrusion detection systems, passed data preprocessing and selected the algorithm that showed the best performance with the machine learning methods we performed on it (naive bayes, support vector machine, decision tree, K-nearest neighbor and multilayer perceptron). It is recommended to be used in intrusion detection systems. After performing preprocessing on the dataset, a balanced and clean dataset was obtained, and it was the best performing decision tree algorithm we obtained by performing the machine learning methods we determined, and it was the highest performing algorithm of the machine learning methods we determined with an accuracy rate of 99.9249%. This algorithm recommended for use by intrusion detection systems in our study, and it will help IDSs to distinguish between various network traffic and decide whether the incoming traffic is an attack or not.
Benzer Tezler
- Sporcu performansını sınıflandırmada temel normalizasyon, makine öğrenme ve çok kriterli karar verme yöntemlerinin karşılaştırılması
Comparison of basic normalization, machine learning and multi-criteria decision-making methods in classifying athlete performance
ALİ KELEŞ
Doktora
Türkçe
2025
SporSelçuk ÜniversitesiAntrenörlük Eğitimi Ana Bilim Dalı
PROF. DR. ŞÜKRÜ SERDAR BALCI
- Asenkron motor eşdeğer devre parametrelerine etki eden faktörlerin makine öğrenme yöntemleri ile belirlenmesi
Determination of factors affecting induction motor equivalent circuit parameters by machine learning methods
ABDULLAH CEM AĞAÇAYAK
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN TERZİOĞLU
- A robust and hybrid machine learning model for university satisfaction estimation on Turkish Twitter feeds
Türkçe Twitter yayınlarında üniversite memnuniyeti tahmini için sağlam ve hibrit bir makine öğrenme modeli
ABDULFATTAH ESMAIL HASAN ABDULLAH BA ALAWI
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtatürk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FERHAT BOZKURT
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Emotion recognition process analysis by using eye tracker, sensor and application log data
Göz izleme cihazı, sensör ve uygulama verileri ile insanlarda duygu tanıma analizi
MAHİYE ÖZTÜRK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZEHRA ÇATALTEPE