Exploring adversarial machine learning attacks on intrusion detection systems
Saldırı tespit sistemlerine karşı karşı makine öğrenimi saldırılarını araştırmak
- Tez No: 906006
- Danışmanlar: DR. ÖĞR. ÜYESİ ECE GELAL SOYAK, PROF. ALKAN SOYSAL
- 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: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2022
Bilgi ve Belge Yönetimiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- Adversarial attacks against machine learning algorithms at training stage
Eğitim aşamasındaki ̇makina öğrenme algoritmalarına karşı gerçekleştirilen çekişmeli saldırılar
FAHRİ ANIL YERLİKAYA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
PROF. DR. SÜREYYA AKYÜZ
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Ana Bilim Dalı
Dr. EHSAN NOWROOZİ