Topluluk makine öğrenmesi yöntemiyle saldırı tespit sistemi tasarımı ve performans analizi
Intrusion detection system design and performance analysis by using ensemble learning methods
- Tez No: 883310
- Danışmanlar: PROF. DR. YUSUF SÖNMEZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi, Siber güvenlik, Machine learning, Cyber security
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, topluluk öğrenme yöntemleri kullanılarak bir saldırı tespit sisteminin tasarımı ve performans analizi gerçekleştirilmiştir. Topluluk öğrenmesi yoluyla birden fazla temel tahmin ediciden gelen tahminlerin birleştirilmesi, tek bir tahmin ediciye kıyasla genellenebilirliği ve esnekliği artırmada avantajlıdır. Bu çalışmada, KDD99 ve UNSW-NB15 veri setleri, ağ saldırıların tespit etmede topluluk öğrenmenin performansını değerlendirmek için kullanılmıştır. İlk adım olarak veri analizi, ön işleme ve özellik seçimi yapılmıştır. Saldırı sınıflandırıcıları olarak K-en yakın komşu, rastgele orman ve XGBoost algoritmaları kullanılmıştır. Bu aşamanın ardından oylama topluluk öğrenme yöntemi kullanılarak sınıflandırma algoritmalarının başarısının arttırılması amaçlanmıştır ve test edilmiştir. Elde edilen bulgulara göre oylama topluluk öğrenme yöntemi sınıflandırma algoritmalarının başarısını artırmaktadır. Veri ön işleme ve özellik seçiminden sonra oylama algoritmasının hiperparametre optimizasyonunda Nelder-Mead algoritmasının daha başarılı olduğu gözlemlenmiştir. Nelder-Mead algoritması hiperparametre optimizasyonunu daha kısa sürede gerçekleştirmektedir. Yumuşak oylama yöntemi genel olarak sert oylama yöntemine göre daha başarılı sonuçlar vermektedir.
Özet (Çeviri)
In this thesis, the design and performance analysis of an intrusion detection system is carried out using ensemble learning methods. The amalgamation of predictions from multiple base estimators through ensemble learning is advantageous in improving generalizability and resilience compared to a single estimator. In the current study, the KDD99 and UNSW-NB15 datasets are used to evaluate the performance of ensemble learning in detecting network intrusions. The first step is data analysis, preprocessing, and feature selection. The K-nearest neighbor, random forest, and XGBoost algorithms are used as attack classifiers. After this stage, the aim is to increase the success of the classification algorithms by using the voting ensemble learning method, which has been tested. According to the findings, the voting ensemble learning method increases the success of classification algorithms. It is observed that the Nelder-Mead algorithm is more successful in hyperparameter optimization of the voting algorithm after data preprocessing and feature selection. The Nelder-Mead algorithm performs hyperparameter optimization in a shorter time. The soft voting method generally gives more successful results than the hard voting method.
Benzer Tezler
- Ağ tabanlı saldırı tespit sistemlerinde topluluk öğrenme yöntemlerinin karşılaştırmalı performans analizi
Comparative performance analysis of ensemble learning methods in network-based intrusion detection systems
ANIL KURT
Yüksek Lisans
Türkçe
2021
Bilim ve TeknolojiSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Improving the efficiency of intrusion detection systems through advanced machine learning techniques
Gelişmiş makine öğrenimi teknikleriyle saldırı tespit sistemlerinin verimliliğinin artırılması
ZAID OMAR ABDULAZEEZ ABDULAZEEZ
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET NACİ ÜNAL
- Parkinson hastalıkları verilerinin makine öğrenmesi yöntemleriyle araştırılması
Analyzing Parkinson's diseases data by machine learning methods
FATİH AYDIN
Doktora
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ZAFER ASLAN
- Türkiye'de enflasyon oranının yapay zekâ ile tahmini: Makine öğrenmesi ve derin öğrenme yöntemlerinin karşılaştırılması
Forecasting of inflation rate with artificial intelligence in Türkiye: Comparison of machine learning and deep learning methods
YUNUS EDİZ
Doktora
Türkçe
2026
EkonometriManisa Celal Bayar Üniversitesiİktisat Ana Bilim Dalı
PROF. DR. İLKAY DİLBER
- Opti̇mi̇zi̇ng di̇abetes predi̇cti̇on usi̇ng ensemble learni̇ng: A stacked model of tree-based and ANN-PSO approaches
Topluluk öğrenmesi kullanılarak diyabet tahmininin optimizasyonu: Ağaç tabanlı ve yapay sinir ağı (ANN) yaklaşımlarına dayalı yığılmış bir model
AHMED E. M. ABU SHAMLEH
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. FERDİ SÖNMEZ