Geri Dön

Network attack classification with few-shot learning methods

Az atışlı öğrenme yöntemleri kullanarak ağ saldırı sınıflandırılması

  1. Tez No: 764398
  2. Yazar: İSMAİL TÜZÜN
  3. Danışmanlar: DOÇ. DR. PELİN ANGIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 92

Özet

İnternet kullanan araçların sayısı arttıkça, bu araçların maruz kalmış oldukları ağ saldırıları da çeşitlenmektedir. Ağ saldırı tipinin ağ paketlerinin incelenerek anlaşılması, saldırının zararını önlemek, önlenemediği durumlarda da en aza indirmek için önem sarfetmektedir. Klasik makine öğrenme yöntemleri ve derin öğrenme yöntemleri, başarılı sonuçlar alabilmek için çok miktarda veriye ihtiyaç duymaktadırlar. Maalesef, çok miktarda verinin hazırlanarak etiketlenmesi günümüz şartlarında maliyetli olmaktadır. Bu maliyet çok büyük oranda bahsedilen etiketleme işlemini yapacak olan bilir kişilerin eğitilmesi, saldırı oluşturma ortamlarının zor oluşu ve saldırıların karmaşık oluşundan kaynaklanmaktadır. Bu çalışmada az atışlı öğrenme yöntemleri ile az verinin bulunduğu veri kümesindeki sınıfları, eğitim sürecinde kullanmadan ağ saldırı sınıflandırma yapılması problemi incelenmiştir. Problemin incelenmesi sırasında, daha önceden hazırlanmış büyük veri kümelerinden CIC-IDS2017 ve UNSW-NB15 kullanılarak üç farklı küçük veri seti hazırlanmıştır. Problemin çözümü için iki tanesi Prototipik Ağ tabanlı, bir tanesi İlişkisel Ağ tabanlı olmak üzere üç farklı yöntem denenmiştir.

Özet (Çeviri)

As the number of devices using the Internet increases, the network attacks that these devices are exposed to also diversify. Identifying network attack types from network packets is important to prevent the damage of the attack and to minimize it in cases where it cannot be prevented. Classical machine learning methods and deep learning methods need a lot of data to get successful results. Unfortunately, preparing and labeling large amounts of data is costly in current conditions. This cost is mostly due to the training of the experts who will do the labeling process, the difficulty of generating attack environments, and the complexity of attacks. This study examines the problem of classifying network attacks with limited data in the learning process by applying few-shot learning methods. To investigate the problem, we generate three different datasets using previously labeled large datasets including CIC-IDS2017 and UNSW-NB15. We apply three promising approaches, where two of them are based on Prototypical Networks, and one of them is based on Relation Networks.

Benzer Tezler

  1. Digital twin-enabled intelligent attack detection mechanisms for autonomous networks

    Otonom ağlar için dijital ikiz destekli akıllı saldırı tespit mekanizmaları

    YAĞMUR YİĞİT

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BERK CANBERK

  2. Deep neural network-based stealthy false data injection attack detection on der integrated systems

    Dek entegre sistemlerinde derin sinir ağı tabanlı gizlenmiş yanlış veri enjeksiyon saldırısı tespiti

    CAN GÜRKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ

  3. Filtering based defense mechanisms against ddos attacks for core networks

    Çekirdek ağlarda ddos saldırılarına karşı filtreleme tabanlı savunma mekanizmaları

    KÜBRA KALKAN ÇAKMAKCİ

    Doktora

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATİH ALAGÖZ

  4. Machine learning approach for external fraud detection

    Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı

    AJI MUBALAIKE

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    PROF. DR. ERTUĞRUL KARAÇUHA

    PROF. DR. EŞREF ADALI

  5. Network anomaly detection using optimized machine learning algorithm

    Optimize edilmiş makine öğrenmesi algoritmaları kullanarak ağ anomali tespiti

    TAHIRA KHORRAM

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ NURDAN BAYKAN