Salp sürü optimizasyon algoritması kullanılarak derin öğrenmeye dayalı saldırı tespit sistemi
Deep learning based intrusion detection system using salp swarm optimization algorithm
- Tez No: 896801
- Danışmanlar: DOÇ. DR. OĞUZHAN KARAHAN
- 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: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
İnternetin kullanılmasının artması ve teknolojik gelişmelerin sonucu olarak ağ güvenliği her geçen gün daha da önem kazanmaktadır. Ağ güvenliğinin sağlanması için ağa yapılan saldırıların önceden tespit edilmesi gerekmektedir. Saldırı tespit sistemleri (STS), ağda meydana gelen olayları izleyerek saldırıları tespit etmek için kullanılan araçlardır. Saldırı tespit ettiklerinde uyarı verirler. Bu nedenle ağ güvenliğinde önemli bir yere sahiptirler. Saldırı tespit sistemlerinde geleneksel makine öğrenme yöntemleri ve derin öğrenme önemli rol oynamaktadır. Geleneksel makine öğrenme yöntemlerinin yetersiz kalması derin öğrenmenin kullanılmasını arttırmıştır. Derin öğrenme modelleri oluşturulurken ayarlanması gereken hiperparametre değerleri vardır. Bu hiperparametrelerin manuel olarak ayarlanması çok fazla deneme gerektirir. Bu durum zaman alıcı ve karmaşıktır. Bu sorunu çözmek için hiperparametrelerin ayarlanmasında optimizasyon tekniklerine başvurulmaktadır. Yukarıda verilen bilgiler ışığında, bu tez çalışmasında derin öğrenme yöntemlerinden Evrişimsel Sinir Ağları (CNN), Uzun Kısa Süreli Bellek (LSTM) ve bunların hibrit kombinasyonu olan CNN-LSTM kullanılarak ağ saldırı tespit sistemleri tasarlanmıştır. CIC-IDS 2017 veri seti, önerilen yöntemlerin eğitim ve test aşamalarında kullanılmıştır. Yöntemlere ait hiperparametrelerin en iyilenmesinde sürü tabanlı algoritmalardan Parçacık Sürü Optimizasyonu (PSO) ve Salp Sürü Algoritması (SSA) optimizasyon teknikleri uygulanmıştır. Bunun dışında, test verileri kullanılarak optimize edilen modelleri ikili sınıflandırma ve çoklu sınıflandırma değerlendirme metrikleri ile performans karşılaştırması yapılmıştır. Test verilerine göre karşılaştırma yapıldığında değerlendirme metrikleri açısından tasarlanan hibrit CNN-LSTM modeli, diğer tasarlanan modellere göre daha üstün performans göstermiştir. Ayrıca, optimizasyon algoritmaları açısından karşılaştırma yapıldığında SSA, tüm modellere ait optimum hiperparametreleri bularak modellerin öğrenme hızı ve performansını PSO' ya göre arttırmıştır. Buda, hibrit modelin ve hiperparametre optimizasyonun önemini açıkça ortaya koymuştur.
Özet (Çeviri)
As a result of the increased use of the Internet and technological advancements, network security is becoming increasingly important every day. To ensure network security, it is necessary to detect attacks on the network in advance. Intrusion Detection Systems (IDS) are tools used to detect attacks by monitoring events occurring on the network. They give alerts when they detect attacks. Therefore, they hold a significant place in network security. Traditional machine learning methods and deep learning play an important role in Intrusion Detection Systems. The inadequacy of traditional machine learning methods has increased the use of deep learning. When creating deep learning models, there are hyperparameters that need to be adjusted. Manually adjusting these hyperparameters requires a lot of trial and error. This is time-consuming and complex. To solve this problem, optimization techniques are employed in the adjustment of hyperparameters. In light of the information provided above, in this thesis study, network intrusion detection systems were designed using Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and their hybrid combination CNN-LSTM, which are among the deep learning methods. The CIC-IDS 2017 dataset was used in the training and testing phases of the proposed methods. Particle Swarm Optimization (PSO) and Salp Swarm Algorithm (SSA), which are swarm-based optimization algorithms, were applied in optimizing the hyperparameters of the methods. Additionally, using test data, the performance comparison of the optimized models was made with binary classification and multi-class classification evaluation metrics. When compared based on test data, the designed hybrid CNN-LSTM model demonstrated superior performance over the other designed models in terms of evaluation metrics. Furthermore, when compared in terms of optimization algorithms, SSA increased the learning speed and performance of the models compared to PSO by finding the optimum hyperparameters for all models. This clearly demonstrated the importance of the hybrid model and hyperparameter optimization
Benzer Tezler
- Güç kalitesi olaylarının sınıflandırılması
Classification of power quality events
BİRSEN GÜMÜŞ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN SUNGUR TEZCAN
- Martı optimizasyon, salp sürü ve kuzey çakır kuşu algoritmaları ile doğrusal ve düzlemsel anten dizi sentezi
Linear and planar antenna array synthesis using seagull optimization, salp swarm and northern goshawk algorithms
ERHAN KURT
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiErciyes ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. KERİM GÜNEY
- Otonom mikro şebekelerin meta sezgisel algoritmalar ile boyutlandırma optimizasyonu
Sizing optimization of autonomous micro grids using meta heuristic algorithms
İPEK ÇETİNBAŞ
Doktora
Türkçe
2020
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BÜNYAMİN TAMYÜREK
- Anti-kanser ilaç salınım sisteminin modellenmesi ve kontrolü
Modeling and control of anti-canser drug delivery system
SENA AY
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAksaray ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SELİM SOYLU
- A new hybrid metaheuristic algorithm applied on a classification problem
Bir sınıflandırma problemine uygulanan yeni bir hibrit metasezgisel algoritma
ARMİR KAÇABETİ
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AMIR SEYYEDABBASI