Detecting network attacks in information security using machine learning techniques
Makine öğrenme teknikleri kullanarak bilgi güvenliğinde ağ saldırılarını tespit etmek
- Tez No: 796231
- Danışmanlar: YRD. DOÇ. SEFER KURNAZ
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
DDoS saldırıları genellikle diğer ağlardan ve IDS tehditlerinden (IDS) daha üst sıralarda yer alır. Söz konusu sunuculara bağlı hizmet arayan müşteriler, hizmet gecikmeleri yaşayacak ve bu da şirket için parasal ve itibar kaybına neden olacaktır. Bu tezde, iki farklı saldırıyı ayırt etmek için sekiz meydan okuyan makine öğrenimi yaklaşımı uyguladık. DoS Attacks-Hulk ve DoS Attacks-SlowHTTPTest bu saldırıların isimleriydi. DT, RF, GB, AdaBoost, NB, XGB ve Ridge algoritmaları, MLP'nin bir başka örneğidir. CICIDS2017 veri seti, analiz için temel olarak kullanılmıştır. Bu veri kümesi, Kaggle'ın Bilgi Güvenliği bölümünde bulunuyordu. Bu veri kümesi, her biri 15 farklı saldırıda 80 özellikten birini temsil eden milyonlarca vaka içerir. Python Ortamı sürüm 3.10'u kullanarak, bu yöntemleri veri kümesinin DoS saldırılarına uyguladık ve bunları iki farklı Deneyde DoS veya zararsız saldırılar olarak kategorize ettik: İlk deney kısaca İkili Sınıflandırma Deneyidir, bu deneyde kullanılan sekiz ML tekniğini uygulayacağız ve eğiteceğiz. normal ve kötü niyetli (Benign ve DoS Saldırısı) arasındaki bu Deneyi inceleyin. İkinci Deneyim Çok Sınıflı Sınıflandırma Deneyleri, Bu Deneyde iki kötü niyetli saldırı tipi (DoS Attacks-Hulk) ve (DoS Attacks-Slow HTTP Testi) bulunmaktadır. Bu Deneylerin amacı, önceki çalışmalarda rapor edilen Doğruluğu artırabilecek Makine Öğrenimi algoritmalarına dayalı bir algılama modeli önermektir. Bu tezde iki farklı deney uyguladık ve müthiş sonuçlar aldık: ilk deneyde %99'un üzerinde başarı oranı elde ettik ve ikincisinde %100 başarı oranı elde ettik, bu tezin sonuçları daha verimli bu tezin 2. Bölümünde kullanılan önceki çalışmanın sonuçlarıyla karşılaştırıldığında
Özet (Çeviri)
DDoS attacks are usually ranked higher than other networks and IDS threats (IDS). Customers that seek services that are dependent on the servers in question will experience service delays, resulting in monetary and reputational losses for the company. in this thesis, we applied eight defiant machine learning approaches to distinguish between two distinct attacks. DoS Attacks-Hulk and DoS Attacks-SlowHTTPTest were the names of these attacks. The algorithms DT, RF, GB, AdaBoost, NB, XGB, and Ridge are some examples of MLP is one more. The CICIDS2017 data set was utilized as the basis for analysis. This dataset was located in the Information Security section of Kaggle. This dataset includes millions of cases, each representing one of 80 attributes across 15 distinct attacks. By Using Python Environment version 3.10 we applied these methods to the dataset's DoS attacks to categorize them as DoS or benign attacks in two distinct Experiments: A first experiment is Binary Classification Experiment in short, we will apply and train the eight ML techniques used in this study this Experiment between normal and malicious (Benign and DoS Attack). Second Experience is Multiclass Classification Experiments, In this Experiment two malicious attack types (DoS Attacks-Hulk) and (DoS Attacks-Slow HTTP Test). The purpose of these Experiments is to propose a detection model based on ML algorithms that can enhance the Accuracy reported in previous works. in this thesis, we applied two different experiments, and we obtained terrific results: in the first experiment, we had a success rate of over 99% and in the second we had a 100% success rate, the results of this thesis are more efficient compared to the results of previous work used in Chapter2 of this thesis
Benzer Tezler
- A multilevel hybrid classifier using variant feature sets for intrusion detection
Saldırı tespiti için farklı özellik setleri kullanan çok düzeyli melez sınıflandırıcı
ASLIHAN AKYOL ÖZKAYA
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMevlana ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR KARLIK
- Makine öğrenmesi yöntemiyle ağ ataklarının tespiti
Detection of network attacks with machine learning method
FEYZAN SARUHAN ÖZDAĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DERYA YILTAŞ KAPLAN
- Bilgiişlem ortamı sunan bulut hizmetlerinde kötücül davranışların saptanması
Classifying malicious behavior in paas services
CEMİLE DİLER ÖZDEMİR
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ YUSUF YASLAN
- Hizmet reddi saldırılarının derin öğrenme ile tespiti
Detection of denial of service attacks using deep learning
AYŞEGÜL SUNGUR
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET HACIBEYOĞLU
- 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
- New lightweight DoS attack mitigation techniques for RPL based IoT networks
RPL temelli IoT ağları için DoS saldırılarının etkisini azaltacak yeni teknikler
AHMET ARIŞ
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMA FATMA OKTUĞ