Geri Dön

DDoS attack detection from network traffic data using machine learning methods

Makine öğrenimi yöntemleri kullanarak ağ trafiği verilerinden DDoS saldırısı tespiti

PDF İndir

  1. Tez No: 865127
  2. Yazar: NUMAN ERTİK
  3. Danışmanlar: DOÇ. DR. FATİH ABUT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Çukurova Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

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

  1. Tez No

    999073

    Hybrıd explaınable model for class-ımbalance mıtagatıon and multı-protocol attack detectıon ın ıomt devıces

    Hybrid explainable model for class-imbalance mitagation and multi-protocol attack detection in iomt devices

    ABUALQASIM KHALIL ISMAEL ISMAEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ROA'A ALI ABDULLAH MOHAMMEDQASEM

  2. Tez No

    1002177

    Makine öğrenmesi ile eşzamanlı ağ saldırılarının tespitive sınıflandırılması

    Detection and classification of concurrent network attacks with machine learning

    İDRİS DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Siber Güvenlik Ana Bilim Dalı

    DR. RÜŞTÜ MURAT DEMİRER

  3. Tez No

    836936

    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

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HALİT ÖZTEKİN

  4. Tez No

    964929

    Anomaly detection in ınternet of medical things using deep learning

    Anomaly detect ionin internet of medical things using deep learning

    AYŞE BETÜL BÜKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. DEVRİM AKGÜN

  5. Tez No

    690531

    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

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİN ANARIM

Geri Dön