Detection of attacks on networks using machine learning
Başlık çevirisi mevcut değil.
- Tez No: 833005
- Danışmanlar: PROF. DR. METİN ZONTUL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ağ benzeri görülmemiş oranlara genişledikçe, neden olabileceği güvenlik risklerinin bilincindeyiz. Site blokları, veri kaybı ve finansal kayıplar bir siber saldırının sonuçlarından sadece birkaçıdır. Bu nedenle, ağ güvenliği sadece tüm modern bilgi işlem altyapılarının ayrılmaz bir parçası olmakla kalmıyor. Bununla birlikte, tehlikeleri azaltmak için, biri makine öğrenimi kullanılarak kötü amaçlı yazılımların tanımlanması olan çeşitli çalışmalar yapılmıştır. Makine öğrenmesinin özelliklerini kullanarak, bu çalışma k-en yakın komşular, lojistik regresyon ve karar ağaçları gibi tespit saldırıları için algoritmaları araştırır. Önceki çalışmaların sonuçları, makine öğrenimi sınıflandırması yoluyla zaten kötü amaçlı tespit gerçekleştirdiğimizi göstermektedir; ancak, bu sınıflandırıcının performansının güçlendirilmesi hala güncel bir konudur. Bu çalışmanın ana katkısı, ayarlama parametrelerinin modelin performans metriği üzerindeki etkisini göstermektir, daha sonra bu çalışma, modelin kalitesine katkıda bulunmak amacıyla sınıfları karşılaştırmak için söz konusu parametrenin optimal değerini belirlemeye odaklanacaktır. Dikkate alınan parametreler c ( lojistik, ccp_alpha için ) düzenini kontrol eden bir parametredir, karar ağacı için CPU sisteminin yanı sıra Anahtar Performans Göstergesi ( KPI ) yöntemini dağıtmayı içeren n_jobs, ve bu çalışmadaki k-En yakın komşu modeli için k değerini belirliyoruz, n_jobs parametresi ve yalnızca modelin karar verme süreci üzerinde en fazla etkiye sahip özelliklerin dağıtılmasını içeren kpi. Lojistik regresyon modeli ile, modelin karar verme süreci üzerinde en fazla etkiye sahip özellikleri belirlemek için her bir özelliğin katsayısını hesaplıyoruz. K-En yakın komşu tüm ölçümler için% 99 ile neredeyse mükemmel bir puan alırken, sonuçlar tüm etkili ölçümler için alınan karar ağacı ve lojistik regresyonun sırasıyla olduğunu göstermektedir.
Özet (Çeviri)
As the network has expanded to unprecedented proportions, we are conscious of the security risks it can cause. Site blocks, data loss, and financial losses are only some of the results of a cyberattack. Because of this, network security is becoming not only crucial but also an integral aspect of all modern computing infrastructures. However, in order to mitigate the dangers several studies have been carried out, one of which is the identification of malware using machine learning. By using features of machine learning, this work investigates algorithms for detection attacks like k-nearest neighbors, logistic regression, and decision trees. The results of previous studies indicate that we have already carried out malicious detection through machine learning classification; however, strengthened the performance of these classifier is still a topical issue. The main contribution of this study is to show us the impact of the adjustment parameters on the performance metric of the model, then this work will focus on determining the optimal value of the parameter in question to compare the classifies, with the aim of contributing to the quality of the model. The parameters considered are c (a parameter that controls regularization) for logistic, ccp_alpha, n_jobs which consists in deploying the system CPU as well as the Key Performance Indicator (KPI) method for decision tree, and for k-Nearest neighbor model in this study we determine the value k, n_jobs parameter and the kpi which consists in deploying only the features that have the most impact on the decision-making of the model. With the logistic regression model, we calculate the coefficient of each characteristic in order to determine the characteristics that have the most impact on the decision-making of the model. K-Nearest neighbor gets an almost perfect score with 99% for all measurements, while the outcomes demonstrate that decision tree and logistic regression respectively, received for all measures of efficacy (model score, accuracy, precision, sensitivity (recall), and specificity, F-score), 99.9%, 94%, 90%, 97%, 91%, 93% with decision tree model and 95.5%, 95%, 96%, 94%, 96%, 95% for logistic regression. The data used is the NSL KDD dataset.
Benzer Tezler
- MQTT ağına gerçekleştirilen saldırıların makine öğrenmesi modelleri ile tespiti
The detection of attacks on MQTT networks using machine learning models
MESUT KOÇAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ AYDIN SELÇUK
- Kurumsal ağlarda iç ağdan gelen atak ve tehditlerin makine öğrenimi yöntemleri ile sınıflandırılması ve anomali tespiti
Classification and anomaly detection of attacks and threats coming from the internal network in corporate networks using machine learning methods
SERCAN AKÇALI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiSiber Güvenlik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OĞUZHAN KENDİRLİ
- Intrusion detection and classification in internet of things networks using machine learning
Başlık çevirisi yok
OMAR KHUDHAIR EKHLAYEF EKHLAYEF
Yüksek Lisans
İngilizce
2020
Bilim ve TeknolojiAltınbaş ÜniversitesiBilgi Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- LTE-A kablosuz ağlarda kötü niyetli röle ataklarının makine öğrenmesi yöntemleri ile tespiti
Detection of malicious relay attacks in LTE-A wireless networks by machine learning methods
YELİZ YENGİ
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADNAN KAVAK
- 802.11AC ortamında makine öğrenmesi yaklaşımları ile donanım tabanlı saldırı tespit sistemi ve 802.11S örgü ağlarına yönelik saldırı gerçeklemeleri
Machine learning approaches on hardware based intrusion detection system and implementations of 802.11S attacks on an 802.11AC based wireless testbed environment
OZAN YÜKSEL
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiTobb Ekonomi ve Teknoloji ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT ALANYALI