Dağıtık hizmet aksatma ((DDoS) saldırılarının yapay zeka yöntemleri kullanılarak tespiti
Detection of distributed denial of service ((DDoS) attacks using artificial intelligence methods
- Tez No: 871322
- Danışmanlar: DOÇ. DR. AHMET BABALIK
- 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: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İnternet her geçen gün hayatımızda daha çok alana nüfuz etmektedir. Ancak beraberinde güvenlik problemleriyle daha çok karşılaşılmaya başlanmıştır. Nexuesquard'ın 2023 yılının ilk çeyreği için yayınladığı rapora göre Dağıtık Hizmet Aksatma (DDoS) saldırılarının %183 oranında arttığı raporlanmıştır (Anonim, 2023a). Aynı zamanda Nesnelerin İnternet'i uygulamalarıyla internete katılan cihaz sayısı arttıkça saldırganların saldırı ağlarının kapasitesi genişlemektedir. Internet ortamında güvenliği sağlamak için dönemin tekniklerine uygun olarak yapay zekâ temelli saldırı tespit sistemleri inşa edilmektedir. Bu çalışmanın amacı saldırı tespit sistemlerinde kullanılan öznitelikleri karşılıklı bilgi metodu ile seçip yapay zekâ temelli algoritmalarının DDoS ataklarını tespit etme başarı oranlarını analiz ederek gelişmiş saldırı tespit sistemleri oluşmasına katkı sağlamaktır. Çalışmada CICDDOS2019 veri seti kullanılmıştır. Veri setinde yer alan DDoS atakları makine öğrenmesi algoritmaları olan K-En Yakın Komşu, Karar Ağacı, Naive Bayes ve Rasgele Orman algoritmaları kullanılarak tespit edilmiştir. Çalışma kapsamında yapılan tüm deneylerde öznitelik seçiminden sonra yapılan sınıflandırma başarısında kabul edilebilir seyide düşüş gözlenmiştir, tespit sürelerinde ise belirgin bir azalma gözlenmiştir. Gerçek hayat uygulamalarında ağ trafiğinin yönetiminde atakların türüne bakılmaksızın engellenmesi, atak olmayan paketlerin ise ağ trafiğine dahil edilmesi beklenir. Tüm öznitelikler kullanılarak gerçekleştirilen ikili sınıflandırma işleminde test setinde atak olmayan paketlerin tespitinde doğruluk oranı %99,34 ile K-En Yakın Komşu algoritmasında elde edilmiştir, öznitelik seçimi yapıldıktan sonra ise en yüksek doğruluk oranı %96,29 ile Naive Bayes algoritmasında elde edilmiştir. Sınıflandırmada kullanılan öznitelik sayısının azaltılması hafıza kullanımı ve CPU işlem zamanında azalma sağlaması beklenir. Yapılan deneysel çalışmada buna paralel olarak öznitelik seçimi yapıldıktan sonra yapılan sınıflandırma işlem sürelerinde belirgin bir azalma olduğu gözlenmiştir.
Özet (Çeviri)
The Internet penetrates more and more areas of our lives every day. However, security problems have started to be encountered more and more. According to the report published by Nexuesquard for the first quarter of 2023, Distributed Denial of Service (DDoS) attacks increased by 183% (Anonymous, 2023a). At the same time, as the number of devices joining the Internet increases with Internet of Things applications, the capacity of attackers' attack networks is expanding. In order to ensure security in the Internet environment, artificial intelligence-based intrusion detection systems are being built in accordance with the techniques of the period. The aim of this study is to contribute to the development of advanced intrusion detection systems by selecting the features used in intrusion detection systems with the mutual information method and analyzing the success rates of artificial intelligence-based algorithms in detecting DDoS attacks. CICDDOS2019 dataset was used in the study. DDoS attacks in the dataset were detected using machine learning algorithms such as K-Nearest Neighbor, Decision Tree, Naive Bayes and Random Forest algorithms. In all experiments conducted within the scope of the study, an acceptable decrease was observed in the classification success after feature selection, and a significant decrease was observed in detection times. In real-life network traffic management, it is expected that attacks are blocked regardless of their type and non-attack packets are included in the network traffic. In the binary classification process performed using all features, the accuracy rate in detecting non-attack packets in the test set was obtained in the K-Nearest Neighbor algorithm with 99.34%, and after the feature selection was made, the highest accuracy rate was obtained in the Naive Bayes algorithm with 96.29%. Reducing the number of features used in classification is expected to reduce memory usage and CPU processing time. In the experimental study, in parallel with this, a significant reduction in the classification processing time after feature selection was observed.
Benzer Tezler
- Gerçek zamanlı güvenli veri haberleşmesinde anahtar yönetimi
Key management in real-time secure data communication
ŞEVKİ GANİ ŞANLIÖZ
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMED ALİ AYDIN
DR. ÖĞR. ÜYESİ MUSTAFA KARA
- A new framework by using deep learning techniques for data processing
Veri işleme için derin öğrenme teknikleri kullanarak yeni bir çerçeve
AHMAD MOZAFFER KARIM KARIM
Doktora
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATİH VEHBİ ÇELEBİ
PROF. DR. MEHMET REŞİT TOLUN
- Bireysel müşterilerin banka ve dijital hizmet kanalı tercihleri
Retail customers bank and digital service channel preferences
ABDULLAH İNCİRKUŞ
- SCADA sistemlerinde dağıtık hizmet dışı bırakma saldırılarının derin öğrenme ve makine öğrenmesi yöntemleri ile tespiti
Detection of distributed denial of service attacks in SCADA systems with deep learning and machine learning methods
EBRU YAĞMUR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKonya Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HALİFE KODAZ
- Makine öğrenmesi yöntemleri kullanılarak dağıtık hizmet reddi (DDoS) saldırılarının belirlenmesi
Detection of distributed denial of service (DDoS) attacks using machine learning methods
UĞUR İNCE
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜLŞAH KARADUMAN