Develop a robust computer network architecture that is resistant to unauthorized access by using machine learning methodologies
Makine öğrenme metodolojilerini kullanarak yetkisiz erişime dayanıklı, sağlam bir bilgisayar ağ mimarisi geliştirin
- Tez No: 896688
- Danışmanlar: DR. ÖĞR. ÜYESİ Abdullahi Abdu IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: 81
Özet
BT kullanımı hızla yeni alanlara yayıldıkça, bu sistemlerin güvenliğinin sağlanması gerekliliği de arttı. Bilgi teknolojisinin yaygınlaşmasının bir sonucu olarak siber saldırılar da çok daha karmaşık hale geldi. Sonuç olarak, SIDS gibi geleneksel güvenlik önlemleri yeni saldırı türlerini tespit etmekte başarısız oldu. İzinsiz Giriş Tespit Sistemleri (IDS), bir ağ içindeki zararlı verileri izlemeyi ve toplamayı mümkün kılar. IDS'lerin çoğunluğu potansiyel tehditleri tanımlamak için imzalara güveniyor. Bilinen tehditleri tanımlamak ve bunlara yanıt vermek için yönetici tarafından manuel olarak girilen veya sistem tarafından otomatik olarak oluşturulan bir dizi kural kullanırlar. Hizmetlerin her zaman kullanılabilirliğini korumak için ağ güvenliği uzmanları, izinsiz giriş girişimlerini hem önlemeye hem de bunlara yanıt vermeye odaklanır. Şüpheli eylemleri bulmak ve sınıflandırmak için güvenlik uzmanları IDS gibi araçlar kullanır. Bu nedenle gizliliği, güvenliği ve hizmetlerin devam eden sunumunu korumak için IDS'nin sürekli olarak en son izinsiz giriş saldırısı imzalarıyla güncel kalması çok önemlidir. IDS performansını değerlendirirken dikkate alınması gereken önemli faktörler, hızı ve yeni saldırıları öğrenme kapasitesidir. Bu çalışma, Veritabanlarında Bilgi Keşfi olarak da adlandırılan Bilgi Keşfi ve Veri Madenciliği (KDD) veri kümesi kullanılarak çeşitli Makine Öğrenimi tekniklerinin nasıl değerlendirilebileceğini göstermektedir. Öncelikli odak noktası, KDD'ye güçlü bir vurgu yaparak deneyler için kapsamlı ve temsili bir veri kümesi oluşturmaktır. Bu analiz için K-En Yakın Komşu (KNN) ve Çok Katmanlı Algılayıcı (MLP) sınıflandırıcılarını kullanmayı seçtik. KNN sınıflandırıcı, hem ikili sınıf (NORMAL vs. ABNORMAL) hem de çok sınıflı senaryolar için tüm KDD veri kümesi saldırı türlerini (DOS, R2L, U2R, NORMAL ve PROBE) tanıma ve sınıflandırmada en yüksek doğruluğu göstermiştir. Önerilen KNN ve MLP modellerini kullanan deneysel bulgular, KNN ve MLP kullanılarak yapılan ikili sınıflandırmanın doğruluğunun sırasıyla %99 ve %97 olduğunu göstermiştir. Ayrıca, çok sınıflı sınıflandırma, sırasıyla %92 ve %87'lik yüksek düzeyde doğruluk oranlarıyla daha önceki çalışmalara kıyasla daha iyi sonuçlar üretti. Bu tez, ağ akışı tabanlı izinsiz giriş tespiti için derin öğrenme tekniklerini, yani MNN ve MLP tasarımlarını kullanmanın etkinliğini araştırmaktadır.
Özet (Çeviri)
As the use of IT spreads rapidly into new areas, the necessity to ensure the security of these systems has grown. Cyberattacks have also become much more sophisticated as a result of the widespread availability of information technology. Consequently, traditional security measures like SIDS have failed to identify new types of assaults. Intrusion Detection Systems (IDS) make it possible to track and gather harmful data inside a network. The majority of IDSs rely on signatures to identify potential threats. They use a set of rules—either manually entered by the administrator or created automatically by the system—to identify and respond to known threats. To maintain the availability of services at all times, network security experts focus on both preventing and responding to intrusion attempts. To find and categorize suspicious actions, security professionals employ tools like IDS. Hence, to protect privacy, security, and the ongoing delivery of services, it is crucial that the IDS continually keeps up-to-date with the most recent intrusion attack signatures. Important factors to consider while evaluating IDS performance are its speed and its capacity to learn new assaults. This study demonstrates how several Machine Learning techniques may be evaluated using the Knowledge Discovery and Data Mining (KDD) dataset, which is also called Knowledge Discovery in Databases. The primary focus is on creating a comprehensive and representative dataset for experimentation, with a strong emphasis on KDD. For this analysis, we have chosen to use the K-Nearest Neighbor (KNN) and Multilayer Perceptron (MLP) classifiers. The KNN classifier has shown the highest accuracy in recognizing and classifying all types of KDD dataset attacks (DOS, R2L, U2R, NORMAL, and PROBE), both for binary class (NORMAL vs. ABNORMAL) and multi-class scenarios. The experimental findings utilizing the proposed KNN and MLP models showed that the accuracy of binary classification using KNN and MLP was 99% and 97% respectively. Furthermore, the multi-class classification produced improved results compared to earlier work, with reported high-level accuracies of 92% and 87% respectively. This thesis investigates the effectiveness of using deep learning techniques, namely MNN and MLP designs, for network flow-based intrusion detection.
Benzer Tezler
- A robust framework covering measures developed using EVM metric against jamming attacks in next-generation communication systems
Yeni nesil haberleşme sistemlerinde karıştırma saldırılarına karşı EVM metriği kullanılarak geliştirilen önlemleri kapsayan güçlü bir çerçeve
CEM ÖRNEK
Doktora
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MESUT KARTAL
- Visual place recognition with dtw based encoded deep features
Dtw bazlı kodlu derin özelliklerle görsel yer tanıma
AMMAR TELLO
Yüksek Lisans
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. SAED ABDEL WAHHAB RESHID AL-QARALEH
- Multicast monitoring: Supporting a robust multicast service in the internet
Başlık çevirisi yok
KAMİL SARAÇ
Doktora
İngilizce
2002
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUniversity of California Santa BarbaraPROF. KEVİN C. ALMEROTH
- Learning to reconstruct intensity images from events
Olaylardan yeğinlik görüntüleri geriçatmayı öğrenmek
BURAK ERCAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET ERKUT ERDEM
DOÇ. DR. İBRAHİM AYKUT ERDEM
- Advanced techniques and comprehensive analysis in speech emotion recognition using deep neural networks
Derin sinir ağları kullanarak konuşma duygu tanıma üzerine gelişmiş teknikler ve kapsamlı analiz
AHMET KEMAL YETKİN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HATİCE KÖSE