DDoS attack detection from network traffic data using machine learning methods
Makine öğrenimi yöntemleri kullanarak ağ trafiği verilerinden DDoS saldırısı tespiti
- Tez No: 865127
- Danışmanlar: DOÇ. DR. FATİH ABUT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Bu tez, çeşitli makine öğrenimi ve öznitelik seçme yöntemlerini kullanarak yeni DDoS saldırısı tahmin modelleri geliştirmeyi amaçlamaktadır. Lojistik Regresyon (LR), Çok Katmanlı Algılayıcı (MLP), Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF) yöntemleri kullanılarak çeşitli DDoS saldırısı tahmin modelleri oluşturulmuştur. Öznitelik seçiciler olarak Relief-F ve minimum gereksiz maksimum ilgi (mRMR) algoritmaları kullanılmıştır. Veri seti, dört farklı saldırı türünü ve normal trafik içeren eşit sayıda satır içeren 10.000 satırlık trafik verisinden oluşmaktadır. Veri seti, paket boyutu, iletim süresi ve saldırı olaylarının belirteçleri gibi dikkate değer pek çok değişkeni içeren geniş bir dizi tahmin değişkeni kapsamaktadır. Modellerin performansını değerlendirmek için doğruluk, hassasiyet, duyarlılık ve F1-skoru metrikleri kullanılmıştır, modellerin genelleme hataları ise 10 katlı çapraz doğrulama kullanılarak değerlendirilmiştir. Sonuçlar, RF'nin DDoS saldırısı tespitinde diğer tüm ML sınıflayıcılarının daha iyi bir performans sergilediğini göstermektedir. Genel olarak, mRMR, DDoS saldırısı tespiti tahmininde Relief-F'den daha iyi performans göstermiştir. Her iki öznitelik seçme yönteminde, paket boyutu ve zamansal özelliklerin DDoS saldırısı tahmininde en önemli belirleyiciler olduğu belirlenmiştir.
Özet (Çeviri)
This thesis aims to develop new DDoS attack prediction models by employing various machine learning and feature selection methods. Especially, Logistic Regression (LR), Multilayer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest (RF) have been used to build different DDoS attack prediction models. Relief-F and minimum redundancy maximum relevance (mRMR) algorithms have been utilized as feature selectors. The dataset has been created with 10.000 rows of traffic data, considering an equal number of rows containing four different attack types and normal traffic. The dataset encompasses a diverse array of predictor variables, notably including packet size, transmission time, and indicators of attack occurrences, among numerous others. Accuracy, precision, recall, and F1-score metrics has been utilized to evaluate the performance of the models, whereas the generalization errors of the models have been assessed using 10-fold cross-validation. Results reveal that RF surpasses all other ML classifiers for predicting DDoS attack detection. Overall, mRMR performed better than Relief-F in predicting the DDoS attack detection. In both feature selection methods, it has been determined that packet size and temporal features are the most important predictors of DDoS attack prediction.
Benzer Tezler
- DDoS attack detection using machine learning and deep learning methods
Makine öğrenmesi ve derin öğrenme yöntemleri ile DDoS atak tespiti
DENİZ MERVE GÜNDÜZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTED ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN KUĞU
- Makine öğrenmesi algoritmalarının hibrit yaklaşımı ile ağ anomalisi tespiti
Network anomaly detection with a hybrid approach of machine learning algorthms
FEYZA ÖZGER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT ÖZTEKİN
- Predicting of distributed denial of service using machine learning algorithms
Başlık çevirisi yok
HANEEN KHAIRULLAH TALIB ALSELMI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN
- Novel time-series based DDoS attack detection schemes for traditional networks and software defined networks
Geleneksel ve yazılım tabanlı ağlar için yeni, zaman serisi bağlamlı DDoS saldırı tespit şemaları
RAMIN FULADİ
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiBoğaziçi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. EMİN ANARIM
- 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