Bilgisayar ağı güvenliği için hibrit öznitelik azaltma ile makine öğrenmesine dayalı bir saldırı tespit sistemi tasarımı
Designing a machine learning based intrusion detection system with hybrid feature reduction for network security
- Tez No: 796060
- Danışmanlar: DOÇ. DR. SİNAN TOKLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Günümüzde teknolojinin ve internetin hızla gelişiminden dolayı ciddi güvenlik tehditleri meydana gelmektedir. Bu gelişim tehditlerinde sürekli değişmesine, artmasına ve türevlerinin oluşmasına neden olmaktadır. Günümüzde teknolojinin ve tehditlerin bu hızla ilerlemesi giderek artan ağ trafiğimizin kontrol ve analiz edilme ihtiyacını gün yüzüne çıkartmaktadır. Analiz sonucu tehditlerin sınıflandırılması için otomatikleştirilmiş bir saldırı tespit sistemine ihtiyaç duyulmaktadır. Bu ihtiyaç saldırı tespit sistemi ile karşılanabilir. Saldırı tespit sistemi bir tespit sistemi olarak kullanılmaktadır ve ağ güvenliği alanında da kullanılmaktadır. Bu çalışmada makine öğrenmesine dayalı bir saldırı tespit sistemi önerilmektedir. Çalışmada NSL-KDD veri kümesi kullanılarak hem öznitelik çıkartma hem de öznitelik seçme yöntemleri bir arada kullanılarak hibrit bir öznitelik azaltma yöntemi uygulanmıştır ve makine öğrenme modelleri ile sınıflandırma işlemi yapılmıştır. Çalışmanın amacı daha az öznitelik ile yüksek doğruluk oranı elde etmektir. Çalışmada öznitelik çıkartma yöntemi olarak derin öğrenme modeli olan Yığılmış Otomatik Kodlayıcı (Stacked Autoencoder – SAE) ve öznitelik seçme olarak SelectKBest yöntemleri uygulanmıştır. Sınıflandırma için Rastgele Orman ve Destek Vektör Makineleri modelleri kullanılmıştır. SAE-SKB-RF ve SAE-SKB-SVM önerilen modellerdir. Önerilen modelin analizi için doğruluk, kesinlik, duyarlılık, f1-skor metrikleri kullanılmıştır. Bu metriklere ek olarak veri kümesi dengesizliği göz önünde bulundurularak Dengeli Doğruluk ve Matthews Korelasyon Katsayısı metrikleri de kullanılmıştır. Oluşturulan yapı ile saldırılar yüksek başarı oranı ile sınıflandırılmış ve SAE-SKB-RF sınıflandırma metodu kullanılarak %98,67 doğruluk oranı yakalanmıştır.
Özet (Çeviri)
Today, because of the swift development of the internet and technology serious security threats occur. This causes constant change, development and the formation of derivatives in development threats. Today, the rapid progress of technology and threats reveals the need to control and analyze our increasing network traffic. We need to analyse threats and after analysing the threat we need an automated intrusion detection system to classify the threats. This need can be met with an intrusion detection system. An instrusion detection system can meet this need. The intrusion detection system is used as a detection system and is also used as a part of network security. In our study, we propose an intrusion detection system which is based on machine learning. In the study, a hybrid feature reduction method was applied by using both feature extraction and feature selection methods using the NSL-KDD dataset, and classification was performed with machine learning models. The puspose of this study is obtaining a high accuracy rate with fewer features. In the study, Stacked Autoencoder (SAE), which is a deep learning model, as feature extraction method and SelectKBest methods as feature selection were applied. Random Forest and Support Vector Machines models are used for classification. SAE-SKB-RF and SAE-SKB-SVM are recommended models. Accuracy, precision, sensitivity, f1-score metrics were used for analysis of the proposed model. In addition to these metrics, Balanced Accuracy and Matthews Correlation Coefficient (MCC) metrics were also used, taking into account the dataset imbalance. With the structure created, attacks were classified with a high success rate and 98.67% accuracy was achieved by using the SAE-SKB-RF classification method.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Yapay sinir ağları ve genetik algoritmalar kullanılarak EKG vurularının sınıflandırılması
Classification of ECG beats by using artifical neural networks and genetic algorithms
ZÜMRAY DOKUR
- Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı
A hybrid face recognition approach using local appearance and deep models
MERT ARI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Deep convolutional neural network based unconstrained ear recognition
Derin evrişimsel sinir ağı tabanlı kısıtsız kulak tanıma
FEVZİYE İREM EYİOKUR
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAZIM KEMAL EKENEL