Geri Dön

Exploring adversarial machine learning attacks on intrusion detection systems

Saldırı tespit sistemlerine karşı karşı makine öğrenimi saldırılarını araştırmak

  1. Tez No: 906006
  2. Yazar: ABDULSTAR AHMED KAREEM KAREEM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ECE GELAL SOYAK, PROF. ALKAN SOYSAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Bahçeşehir Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 49

Özet

Makine Öğrenimi tabanlı Saldırı Tespit Sistemleri (IDS), ağ trafiğinde siber tehditlere işaret edebilecek anormallikleri otomatik olarak tespit eder ve sınıflandırır. Adversar- ial Machine Learning (AML) üzerine yapılan son araştırmalar, saldırganların IDS'lerin öğrenme algoritmalarındaki açıklardan yararlanarak, tespitten kaçmak için sisteme girdi olan verileri manipüle edebileceklerini ve bunun da sahte negatiflere veya sahte pozitiflere yol açabileceğini göstermiştir. Bu çalışmada, üretken çekişmeli ağlar (Gen- erative Adversarial Networks, GAN) modelleri, UNSW-NB15 veri seti üzerinde eği- tilmiş Rastgele Orman (Random Forest) tabanlı bir IDS'den kaçabilecek düşmanca örnekler üretmek için tasarlanmıştır. Çalışma hizmet reddi (DoS) ve Fuzzer saldırı örneklerinin oluşturulmasına odaklanmaktadır; GAN modelleri, sahte negatif oranını etkili bir şekilde artıran normal örnekler olarak sınıflandırılan saldırı örnekleri oluş- turmak için IDS'deki zayıflıkları bulmak üzere eğitilmiştir. Deneylerimiz, bu modelde 42.8% DoS atlatma oranına ve 36.6% Fuzzer atlatma oranına ulaşıldığını göstermek- tedir. Bu çalışma, düşman ağlar tarafından kullanılan gelişmiş tekniklerin üstesinden gelebilen IDS tasarımlarını geliştirmenin önemini vurgulamaktadır.

Özet (Çeviri)

ML-based Intrusion Detection Systems (IDS) automatically detect and classify anoma- lies in network traffic that may indicate cyber threats. Recent research on Adversarial Machine Learning (AML) showed that by exploiting the vulnerabilities in the learning algorithms of IDS, attackers can manipulate input data to evade detection, leading to either false negatives or false positives. In this study, Generative Adversarial Networks (GAN) models have been designed to generate adversarial samples that can evade a Random Forest based IDS trained on the UNSW-NB15 dataset. The study focuses on the creation of DoS and Fuzzer attack samples; GAN models are trained to find weak- nesses in the IDS to generate attack samples that are classified as normal samples which effectively increases the false negative rate. Our experiments show that DoS evasion rate of 42.8% is achieved and and Fuzzer evasion rate of 36.6% is achieved on this model. This study highlights the importance of robust IDS designs that are resilient against advanced techniques used by adversarial networks.

Benzer Tezler

  1. Distributed anomaly-based intrusion detection system for IoT environment using Blockchain technology

    Dağıtılmış anomali tabanlı saldırı tespit sistemi Blockchain teknolojisi kullanılan IoT ortamı için

    NOUHA HEJAZI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgi ve Belge Yönetimiİstanbul Teknik Üniversitesi

    Bilişim Uygulamaları Ana Bilim Dalı

    DOÇ. DR. ENVER ÖZDEMİR

  2. Mil-Std 1553 tabanlı sistemler için yeni bir saldırı tespiti yaklaşımı

    A new intrusion detection approach for Mil-Std 1553 based systems

    YUNUS EMRE ÇİLOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR

  3. Adversarial attacks against machine learning algorithms at training stage

    Eğitim aşamasındaki ̇makina öğrenme algoritmalarına karşı gerçekleştirilen çekişmeli saldırılar

    FAHRİ ANIL YERLİKAYA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞERİF BAHTİYAR

  4. The interplay of multiple kernel learning in gans via robust optimization

    Gans'ta çoklu kernel öğreniminin etkileşimi sağlam optimizasyon

    MOHAMMED THAMER KAMIL AL-KHAZRAJI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    PROF. DR. SÜREYYA AKYÜZ

  5. Federeated learning under attack: Exposing vulenrabilites through data poisoning attacks in computer networks

    Saldırı altında federasyonu öğrenme: Bilgisayar ağlarındaki veri zehirlendirme saldırıları yoluyla hassasiyetleri açığa çıkarmak

    IMRAN HAIDER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Bilgisayar Ana Bilim Dalı

    Dr. EHSAN NOWROOZİ