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: Belirtilmemiş.
- 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: 115
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
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- 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
- Integration of machine learning and deep learning methods for the enhancement of rheumatoid arthritis diagnosis
Romatoid artrit tanısının iyileştirilmesi için makine öğrenmesi ve derin öğrenme yöntemlerinin entegrasyonu
KEMAL ÜRETEN
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiMühendislik Bilimleri Ana Bilim Dalı
PROF. DR. HADİ HAKAN MARAŞ
- Makine öğrenimi algoritmaları kullanılarak kaçak elektrik takibi ve kontrol sisteminin gerçekleştirilmesi
Realisation of illegal electricity tracking and control system using machine learning algorithms
ÖNDER CİVELEK
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKaradeniz Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL İBRAHİM OKUMUŞ
- Yapay sinir ağları tabanlı topluluk öğrenme yöntemi ile ekg sinyallerinin sınıflandırılması
Classification of ecg signals with artificial neural network based ensemble learning method
ASHA WANYENZE
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY TEZEL