Makine Öğrenmesi ve Genetik Algoritma Kullanılarak Anomali Tabanlı Saldırı Tespit Sistemi
Anomaly Based Intrusion Detection System Using Machine Learning And Genetic Algorithm
- Tez No: 851343
- Danışmanlar: DR. ÖĞR. ÜYESİ AYHAN AYDIN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 43
Özet
Teknolojinin hızlı ilerleyişi ve online olanaklarının artışı, günlük yaşantımıza büyük etkiler getirmektedir. Artık bankacılık işlemleri, alışveriş ve daha birçok faaliyet, internet aracılığıyla gerçekleştirilebilmektedir. Ancak, bu dijital dünya, aynı oranda siber saldırılar ve kötüye kullanıma da açık hale getirmiştir. Bu nedenle, verilerimizin güvende olması için ağ güvenliğinin sağlanması son derece kritik bir öneme sahiptir. Bilgi güvenliği alanında, yapay zeka temelli yaklaşımların kullanımı hızla popülerlik kazanmaktadır. Bu yaklaşımlar, potansiyel tehditleri tanımlama ve engelleme konusunda etkili bir araç olarak öne çıkmaktadır. Ancak, saldırıları tespit etmek amacıyla toplanan veriler genellikle çok sayıda özellik içermektedir. Bu özelliklerin etkili bir şekilde işlenmesi, veri madenciliği ve makine öğrenimi alanlarında karşılaşılan önemli bir zorluktur. Bu çalışmanın amacı, USB-IDS-1 veri kümesindeki özellikleri genetik algoritma kullanarak azaltmak ve çeşitli sınıflandırıcılarla değerlendirmektir. Karar ağaçları, rastgele orman, kNN, Naive Bayes ve yapay sinir ağları gibi çeşitli sınıflandırıcılar kullanılmıştır. Değerlendirme kriterleri olarak doğruluk oranı, duyarlılık, kesinlik ve F1-skordan faydalanılmıştır. Elde edilen sonuçlar, genetik algoritmanın Hulk ve Slowloris veri setlerinde oldukça başarılı olduğunu, Slowhttptest verilerinde kısmen etkili olduğunu ancak TCP kümesinde başarılı olamadığını göstermektedir. Bununla birlikte, Slowhttptest ve TCP verilerinde tüm özelliklerin kullanılması sonucunda algoritmaların performansının düşük kaldığı görülmüştür.
Özet (Çeviri)
The rapid advancement of technology and the increasing online opportunities it brings have had a significant impact on our daily lives. Nowadays, banking transactions, shopping, and many other activities can be carried out through the internet. However, this captivating digital world has also become equally vulnerable to cyberattacks and misuse. Therefore, ensuring the security of our data through network security has become critically important. In the field of information security, the use of artificial intelligence-based approaches has rapidly gained popularity. These approaches have emerged as effective tools for identifying and mitigating potential threats. However, data collected for intrusion detection often contains numerous features. Effectively processing these features poses a significant challenge in the realms of data mining and machine learning. The objective of this study is to reduce the dimensionality of features in the USB-IDS-1 dataset using genetic algorithms and evaluate their performance with various classifiers. Various classifiers, including decision trees, random forests, k-NN, Naive Bayes, and artificial neural networks, were employed. Evaluation criteria encompass accuracy rate, sensitivity, precision, and F1-score. The obtained results indicate that the genetic algorithm demonstrates considerable success in the Hulk and Slowloris datasets, exhibits partial effectiveness in the Slowhttptest data, but falls short of expectations in the TCP dataset. Nevertheless, it is important to note that even when employing all features in the Slowhttptest and TCP datasets, the overall performance of the algorithms remains suboptimal.
Benzer Tezler
- Otomatik makine öğrenmesi ile endüstriyel nesnelerin interneti tabanlı uç sistemlerde gerçek zamanlı saldırı tespit sistemi geliştirilmesi
Development of a real-time intrusion detection system in industrial internet of things based edge systems with automated machine learning
ANIL SEZGİN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ BOYACI
- Hard and soft tissue characterization with microwave dielectric spectroscopy
Mikrodalga dielektrik spektroskopi ile sert ve yumuşak doku karakterizasyonu
SEDA KESKİN
Yüksek Lisans
İngilizce
2022
Biyomühendislikİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TAYFUN AKGÜL
- Makine öğrenmesi ve genetik algoritma temelli atm lokasyonlarının belirlenmesi
Determination of atm locations based on machine learning and genetic algorithm
İZZET BİRDEN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
- Makine öğrenmesi yöntemleri ve genetik algoritma tabanlı özellik seçimiyle saldırı tespiti
Intrusion detection with machine learning methods and genetic algorithm based feature selection
GÜLNUR DEMİRCİOĞLU
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖNER BARUT
- Development of a hybrid classification method for machine learning
Makine öğrenmesi için hibrit bir sınıflama metodu geliştirilmesi
MEHMET ACI
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Bölümü
YRD. DOÇ. DR. MUTLU AVCI