Intrusion detection system using machine learning
Makine öğrenimini kullanarak saldırı tespit sistemi
- Tez No: 832344
- Danışmanlar: YRD. DOÇ. DR. OKAN YASAR
- 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: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
Özet
Bu çalışma, Nesnelerin İnterneti'nin (IoT) hızla büyüyen alanı içindeki İzinsiz Giriş Tespit Sistemleri (IDS) alanını ele almaktadır. Güçlü bir güvenlik modeli için bulut, ağ ve ana bilgisayar katmanlarını birleştiren ağ saldırı tespit sistemleri (NIDS), ana bilgisayar saldırı tespit sistemleri (HIDS) ve bulut saldırı tespit sistemleri dahil olmak üzere birincil IDS türlerinin kapsamlı bir incelemesi gerçekleştirilir. . Ek olarak imza tabanlı algılama, anormallik tabanlı algılama ve durum bilgisi olan protokol analizi gibi yaygın algılama teknikleri eleştirel bir şekilde değerlendirilir. Bu çalışmanın ana katkısı, IDS performansını önemli ölçüde artırmak için Rastgele Orman algoritmasının gücünü Çift Yönlü Uzun Kısa Süreli Belleğin (BI-LSTM) dizi anlama yetenekleriyle birleştiren yenilikçi bir hibrit makine öğrenme modelinin geliştirilmesi ve uygulanmasıdır. Genellikle alt kümeye dayalı bir yaklaşım kullanan önceki çalışmaların aksine, bu araştırma, Bot-IoT veri kümesinin tamamını kullanarak hibrit modeli titizlikle test etti. Bu çalışma aynı zamanda, izinsiz giriş tespiti için ortaya çıkan zorluklara odaklanarak IoT güvenliğinin karmaşık ortamının ayrıntılı bir analizini de içermektedir. Bu, hibrit makine öğrenimi modelini seçme bağlamını sağlar. Etkileyici bir şekilde, Bot-IoT veri kümesinin tamamına uygulandığında model, geleneksel IDS modellerinden önemli ölçüde daha iyi performans göstererek %100 doğruluk oranı sergiledi. Bu araştırma, IoT güvenliği alanına değerli bilgiler sunmakta ve kapsamlı ve doğru saldırı tespit sistemleri geliştirmeye yönelik etkili bir yol önermektedir. Hibrit modelin Bot-IoT veri kümesinin tamamını kullanmadaki başarısı, sağlamlığını ve uyarlanabilirliğini ortaya koyuyor ve bu da onu giderek birbirine bağlanan dijital bir dünyada IoT ağlarının güvenliğini sağlamak için potansiyel bir anahtar çözüm haline getiriyor
Özet (Çeviri)
This study delves into the field of Intrusion Detection Systems (IDS) within the rapidly growing domain of the Internet of Things (IoT). A thorough examination of the primary types of IDS, including network intrusion detection systems (NIDS), host intrusion detection systems (HIDS), and cloud intrusion detection systems, which combine cloud, network, and host layers for a strong security model, is conducted. Additionally, common detection techniques such as signature-based detection, anomaly-based detection, and stateful protocol analysis are critically evaluated. The main contribution of this study is the development and implementation of an innovative hybrid machine learning model that combines the strength of the Random Forest algorithm with the sequence comprehension capabilities of Bidirectional Long Short-Term Memory (BI-LSTM) to significantly improve IDS performance. Unlike previous studies that often used a subset-based approach, this research rigorously tested the hybrid model using the entire Bot-IoT dataset. This study also includes a detailed analysis of the complex landscape of IoT security, with a focus on the challenges posed for intrusion detection. This provides the context for choosing the hybrid machine learning model. Impressively, when applied to the complete Bot-IoT dataset, the model demonstrated a 100% accuracy rate, significantly outperforming traditional IDS models. This research offers valuable insights into the field of IoT security and suggests an effective path towards developing comprehensive and accurate intrusion detection systems. The success of the hybrid model in utilizing the complete Bot-IoT dataset demonstrates its robustness and adaptability, making it a potential key solution for securing IoT networks in an increasingly interconnected digital world
Benzer Tezler
- Comparative study of intrusion detection system using machine learning
Başlık çevirisi yok
MAHMOOD IMAD ABDULKAREEM
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. OSMAN NURİ UÇAN
- Makine Öğrenmesi ve Genetik Algoritma Kullanılarak Anomali Tabanlı Saldırı Tespit Sistemi
Anomaly Based Intrusion Detection System Using Machine Learning And Genetic Algorithm
MUSTAFA VEYSEL ÖZSARI
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYHAN AYDIN
- Makine öğrenmesi ve derin öğrenme yöntemleri kullanılarak saldırı tespit ve önleme sistemi geliştirilmesi
Developing an intrusion detection and prevention system using machine learning and deep learning methods
MEHMET ALİ ALTUNCU
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SUHAP ŞAHİN
- Otonom araçlar için makine öğrenmesi teknikleri kullanılarak saldırı tespit sistemi geliştirilmesi
Development of intrusion detection system by using machine learning techniques for autonomous vehicles
DOĞUKAN AKSU
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED ALİ AYDIN
- A new host-based hybrid intrusion detection system architecture using machine learning algorithms with feature selection
Özellik seçimi ve öğrenme algoritmalarını kullanan yeni bir sunucu tabanlı melez saldırı tespit sistemi mimarisi
MURAT TOPALLAR
Yüksek Lisans
İngilizce
2004
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN ANARIM
DOÇ. DR. KEMAL CILIZ