Ddos prediction and mitigation in sdn using artificial neural networks and BMNABC algorithm
Yapay sinir ağları ve BMN-ABC algoritmaları kullanılarak yazılım tabanlı ağlarda ddos saldırılarının tahmini ve azaltılması
- Tez No: 892256
- Danışmanlar: DR. ÖĞR. ÜYESİ CİHAT ŞEKER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Yazılım Tanımlı Ağ İletişimi (SDN), kontrol işlevlerini merkezileştirerek ve kontrol ile veri düzlemlerini ayırarak, ağların gelişmiş yönetimini ve optimizasyonunu kolaylaştırır. Ancak bu merkezileştirme aynı zamanda ağ kaynaklarını felce uğratabilecek ve hizmet dağıtım sistemlerini bozabilecek Dağıtılmış Hizmet Reddi (DDoS) saldırı türleri gibi nedenlerle karakterize edilen bir güvenlik açıklarının da kaynağıdır. Bu tez, SDN ortamlarındaki bu saldırıları azaltmak için yeni yöntemler sunmaktadır. Bu araştırmanın amacı, İkili Çok Komşulu Yapay Arı Kolonisi (BMNABC) algoritmasını Yapay Sinir Ağları (YSA) olarak adlandırılan sistemlerle birleştirerek“DDoS”saldırılarına karşı güvenliğin güvenilirliğini ve sağlamlığını sağlamaktır.“BMNABC”algoritması, saldırıların etkilerini en aza indirecek şekilde ağ kaynaklarının tahsisini optimize ederken“ANN”,“DDoS”saldırılarının göstergesi olan anormal trafik modellerini gerçek zamanlı olarak tespit eder. Akıllı izinsiz giriş tespit sistemi (IIDS), özellikleri seçmek için“BMNABC”tekniğini ve verileri saldırı veya saldırı dışı sınıflara sınıflandırmak için“ANN”tekniğini kullanır. Araştırma ayrıca YSA'nın en iyi sonucu aldığı Ensemble, K-En Yakın Komşular (K-NN), Karar Ağacı (DT), Destek Vektör Makinesi (SVM) ve Naive Bayes (NB) gibi makine öğrenme teknikleri arasında bir karşılaştırma da yapıyor. %98,99 doğruluk, %98,97 test doğruluğu, %98,94 F1 puanı, %98,95 kesinlik ve %97,95 geri çağırma performans ölçümleri. DT en düşük ölçümleri elde etti: %97,54 doğruluk, %97,56 test doğruluğu, %97,42 F1 puanı, %97,76 kesinlik ve %97,09 geri çağırma.
Özet (Çeviri)
By centralizing control functions and separating control and data planes, Software-Defined Networking (SDN) facilitates improved management and optimization of networks. Yet, this centralization is also a source of vulnerabilities, which are characterized by reasons like Distributed Denial-of-Service (DDoS) attack types that can cripple network resources and impair service delivery systems. This thesis presents novel methods to lessen these attacks within the SDN environments. The aim of this study is to investigate how artificial neural networks (ANNs) can be used in conjunction with the binary multi-neighbor artificial bee colony (BMNABC) algorithm to make security more reliable and resistant to DDoS attacks. The BMNABC algorithm optimizes the allocation of network resources to mitigate the effects of attacks, while ANN detects anomalous traffic patterns that indicate DDoS attacks in real time. The intelligent intrusion detection system (IIDS) uses the“BMNABC”technique to select features and“ANN”to classify data into attack or non-attack classes. The research additionally makes a comparison between machine learning techniques such as Ensemble, K-Nearest Neighbors (K-NN), Decision Tree (DT), Support Vector Machine (SVM), and Naive Bayes (NB), where the ANN gets the best performance metrics of 98.99% accuracy, 98.97% test accuracy, 98.94% F1 score, 98.95% precision, along with 97.95% recall. DT achieved the lowest metrics: 97.54% accuracy, 97.56% test accuracy, 97.42% F1 score, 97.76% precision, and 97.09% recall.
Benzer Tezler
- Cyber tools as foreign policy instruments in trilateral relations: Analysing cyber-attacks targeting the United Kingdom
Üçlü ilişkilerde dış politika aracı olarak siber araçlar: Birleşik Krallık'ı hedef alan siber saldırıların analizi
ATAKAN YILMAZ
Doktora
İngilizce
2024
Siyasal BilimlerGalatasaray ÜniversitesiUluslararası İlişkiler Ana Bilim Dalı
DOÇ. DR. MENENT SAVAŞ CAZALA
- A new proposed stacking generalization model for detecting ddos attacks in SDN environment
SDN ortamında ddos saldırılarını tespit etmek için yeni bir istifleme genelleştirme modeli
TASNIM ALASALI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. OMAR DAKKAK
- DDoS attack detection from network traffic data using machine learning methods
Makine öğrenimi yöntemleri kullanarak ağ trafiği verilerinden DDoS saldırısı tespiti
NUMAN ERTİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ABUT
- Akış verisindeki dağılım tahminine dayalı tavsiye sistemi ve beklenmedik öneri sunumu
Recommendation system based on distribution prediction in stream data and unexpected recommendation
ANIL UTKU
Doktora
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- A machine learning-based intrusion detection system for prediction of potential DDoS attacks
Potansiyel DDoS saldırılarının tahmini için, makine öğrenme tabanlı giriş tespit sistemi
AHMAD MHAISH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR