Network attack classification with few-shot learning methods
Az atışlı öğrenme yöntemleri kullanarak ağ saldırı sınıflandırılması
- Tez No: 764398
- Danışmanlar: DOÇ. DR. PELİN ANGIN
- 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: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BERK CANBERK
- 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
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Filtering based defense mechanisms against ddos attacks for core networks
Çekirdek ağlarda ddos saldırılarına karşı filtreleme tabanlı savunma mekanizmaları
KÜBRA KALKAN ÇAKMAKCİ
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH ALAGÖZ
- Machine learning approach for external fraud detection
Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı
AJI MUBALAIKE
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
PROF. DR. EŞREF ADALI
- Network anomaly detection using optimized machine learning algorithm
Optimize edilmiş makine öğrenmesi algoritmaları kullanarak ağ anomali tespiti
TAHIRA KHORRAM
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NURDAN BAYKAN