Sinir ağlarına dayalı esnek teknikleri kullanarak ağ saldırı tespit sistem yazılımı
Network intrusion detection software using resilient techniques based on neural networks
- Tez No: 796907
- Danışmanlar: DOÇ. DR. CEMAL KOÇAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Özellikle Nesnelerin İnterneti (Internet of Things-IoT) olmak üzere ağa bağlı cihazların sayısı ve kapasitesi arttıkça daha fazla siber saldırılara maruz kalmaktadırlar. Ağ sistemlerinin ve veri dağıtım yöntemlerinin çeşitliliği nedeniyle Saldırı Tespit Sistemlerinin yeteneklerinin daha da geliştirilmesi gerekmektedir. Dolaysıyla çeşitli ağ tehditleri ile başa çıkabilen sistemlerin geliştirilmesi gittikçe önem kazanan bir konudur. Bu çalışmada, ağa gerçekleştirilecek saldırıların tespit edilmesi amacıyla, derin öğrenme algoritmaları ile eğitilmiş bir Saldırı Tespit Sistemi modellenmiştır. Bu çalışmada, veri olarak NSL-KDD veri kümesi kullanılmıştır. Derin öğrenme mimarileri olarak, Evrişimli Sinir Ağı (Convolutional Neural Network - CNN) ve Uzun Kısa Süreli Bellek (Long Short-term Memory -LSTM) tercih edilmiştir. Deneysel bulgular, ağ saldırılarını belirlemek için Konvolüsyonel Sinir Ağlarını kullanmanın daha iyi bir strateji olduğunu göstermiştir. Hem Konvolüsyonel Sinir Ağlarını hem de Uzun Kısa Süreli Bellek kullanan Konvolüsyonel Sinir Ağları, doğruluk açısından %99,25'e ulaşan bir yüksek performans değeri sağlamıştır. Eğitilen bu modeller sınıf sayısının fazla olduğu senaryolarda bile yüksek performans gösterme yeteneğine sahiptir.
Özet (Çeviri)
As the number and capacity of network devices, especially the Internet of Things (IoT), increase, they are exposed to more cyber-attacks. Due to the diversity of network systems and data distribution methods, the capabilities of Attack Detection Systems need to be improved further. Therefore, the development of systems that can cope with various network threats is an issue that becomes increasingly important. In this study, an Attack Detection System trained with deep learning algorithms in order to detect attacks that will be made on the network was modeled. In this study, the NSL-KDD dataset was used as data. As deep learning architectures, Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) was preferred. The experimental findings showed that the usage of Convolutional Neural Networks is a better strategy for detecting network attacks. Convolutional Neural Networks using both Convolutional Neural Networks and Long Short-Term Memory (LSTM) provided a high-performance value reaching 99.25% in terms of accuracy. These trained models are capable of showing high performance even in scenarios with a high number of classes.
Benzer Tezler
- Novel interference and spectrum aware routing techniques for cognitive radio ad hoc networks
Tasarsız bilişsel radyo ağları için girişim ve spektruma dayalı özgün yönlendirme teknikleri
AHMET ÇAĞATAY TALAY
Doktora
İngilizce
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DENİZ TURGAY ALTILAR
- 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
- Derin öğrenme tabanlı görüntü gürültü giderme için yoğun bağlantı kullanan yeni yaklaşımlar
Densely connected structures in deep learning based image denoising
VEDAT ACAR
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. ENDER METE EKŞİOĞLU
- A generalized localization framework for terrestrial and aerial systems
Kara ve hava sistemleri için genel bir konumlandırma çerçevesi
SALİHA BÜYÜKÇORAK EDİBALİ
Doktora
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜNEŞ KARABULUT KURT
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER