Artificial intelligence model for DDOS-detection
Başlık çevirisi mevcut değil.
- Tez No: 828660
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- 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: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Bu yüksek lisans çalışması, kuruluşlarda ve ağ sistemlerinde finansal kaynaklara ve özel veri tabanlarına önemli ölçüde zarar verebilecek siber tehditlerin tespit edilmesinde makine öğrenimi ilkelerinin ve akıllı DL algoritmalarının yararlı katkılarını ve önemli gerekçelerini araştırmak ve incelemek için yönlendirilir. Çalışma, dört ML modelinin (Lojistik Regresyon (LR), Destek Vektör Makinesi (SVM), Stokastik Gradyan İniş (SGD) ve Makine Öğrenimi Modeli (MLM) dahil)) kullanılmasına dayanıyordu. Matematiksel sayısal Python kodu geliştirilmiş ve simülasyonları gerçekleştirilmiştir. Çalışma çıktıları, performans değerlendirme teknikleriyle elde edilen dört MO şemasının ortalama doğruluğunun eğitim için %74,54 ila %96,20 arasında değiştiğini ortaya koydu. Küçük oran, SGD sınıflandırıcısı içindi. Ayrıca, maksimum yüzde MLM ile ilişkilendirilmiştir. Bu arada, test süreci için dört algoritmaya ilişkin ortalama doğruluk %74,23 (SGD sınıflandırıcı için minimum) ile %95,93 (MLM için maksimum) arasında değişmektedir. Akıllı makine öğrenimi ve DL algoritmalarının kullanılması, tezin vaka çalışması için performans, güvenilirlik ve doğruluk açısından pratik siber tehdit algılama araçları sağladı. Dört ML algoritmasının kesinlik oranları, eğitim sürecindeki ikili sınıflandırmaların“0”sonuçlarıyla ilgili olarak %75,83 (SGD sınıflandırıcısı için minimum) ile %98,27 (MLM için maksimum) arasında değişmektedir.“1”ikili sınıflandırma sonuçları için minimum kısımlar, eğitim aşamasında sırasıyla %69,14 (LR algoritması için minimum) ve %93,16 (MLM için maksimum) arasındaydı. Test prosedürü için kesinlik oranı, '0' ikili sınıflandırma bulguları için %75,00 (SGD sınıflandırıcı için minimum) ve %97,94 (MLM için maksimum) arasında değişir. Buna karşılık, test prosedüründe '1' ikili sınıflandırma çıktıları %70,15 (LR modeli için en düşük) ve %93,08 (MLM için nihai) arasında değişir.
Özet (Çeviri)
This master's study is guided at investigating and examining the beneficial contributions and crucial rationale of ML principles and intelligent DL algorithms in detecting cyber threats in organizations and network systems that might result in significant damage to financial resources and private databases. The work relied on employing four ML models (including Logistic Regression (LR), Support Vector Machine (SVM), Stochastic Gradient Descent (SGD), and Machine Learning Model (MLM)). The mathematical numeric Python code was developed and simulations were executed. The work outputs revealed that the average accuracy of the four ML schemes obtained via the performance assessment techniques ranges from 74.54% to 96.20% for training. The minor ratio was for the SGD classifier. Also, the maximum percentage was associated with MLM. Meanwhile, the average accuracy related to the four algorithms for the testing process varies between 74.23% (minimum for the SGD classifier) and 95.93% (maximum for MLM). Using intelligent ML and DL algorithms provided practical means of cyber threat detection for the thesis's case study in terms of performance, reliability, and accuracy. The precision rates of the four ML algorithms range from 75.83% (minimum for the SGD classifier) to 98.27% (maximum for MLM), concerning the '0' results of binary classifications in the training process. For the binary classification results of '1,' the minimum portions were between 69.14% (minimum for the LR algorithm) and 93.16% (maximum for MLM), respectively, in the training phase. For the testing procedure, the precision rate varies between 75.00% (minimum for the SGD classifier) and 97.94% (maximum for MLM) for the '0' binary classification findings. In comparison, the '1' binary classification outputs range between 70.15% (the lowest for the LR model) and 93.08% (ultimate for MLM) in the testing procedure.
Benzer Tezler
- Cyber tools as foreign policy instruments in trilateral relations: Analysing cyber-attacks targeting the United Kingdom
Üçlü ilişkilerde dış politika aracı olarak siber araçlar: Birleşik Krallık'ı hedef alan siber saldırıların analizi
ATAKAN YILMAZ
Doktora
İngilizce
2024
Siyasal BilimlerGalatasaray ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. MENENT SAVAŞ CAZALA
- Makine öğrenmesi yöntemleri kullanılarak dağıtık hizmet reddi (DDoS) saldırılarının belirlenmesi
Detection of distributed denial of service (DDoS) attacks using machine learning methods
UĞUR İNCE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH KARADUMAN
- 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
- Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi
Machine learning based intrusion detection system in software defined networks
BİROL EMEKLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- SCADA sistemlerinde dağıtık hizmet dışı bırakma saldırılarının derin öğrenme ve makine öğrenmesi yöntemleri ile tespiti
Detection of distributed denial of service attacks in SCADA systems with deep learning and machine learning methods
EBRU YAĞMUR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİFE KODAZ