Enhancing threat detection: A machine learning approach with energy valley optimizer for feature selection
Tehdit tespitini geliştirme: Özellik seçimi için energy valley optimizer ile bir makine öğrenimi yaklaşımı
- Tez No: 918220
- Danışmanlar: DR. ÖĞR. ÜYESİ SEFER KURNAZ
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Cybersecurity remains an ever-evolving domain, with threats continually adapting to bypass traditional detection mechanisms. Central to the development of robust threat detection systems is the challenge of feature selection, where the vast, high-dimensional datasets can often obfuscate truly relevant indicators of malicious activity. This thesis proposes a groundbreaking approach to feature selection by marrying machine learning techniques with the Energy Valley Optimizer (EVO) algorithm. Renowned for its proficiency in navigating intricate, multi-modal landscapes, EVO identifies optimal feature sets that considerably enhance the predictive accuracy of ML models. In our experimental results, a notably improved accuracy of 99.75% was achieved when employing feature selection through the EVO approach. Our comprehensive research demonstrates that integrating EVO with ML not only boosts threat detection rates but also provides a scalable solution for high-dimensional cybersecurity datasets. The results of our work promise a paradigm shift in ML applications within cybersecurity, offering both enhanced precision and computational efficiency, paving the way for more resilient digital infrastructures in the face of ever-increasing cyber threats.
Özet (Çeviri)
Siber güvenlik, tehditlerin geleneksel tespit mekanizmalarını atlatmak için sürekli olarak adapte olduğu, sürekli gelişen bir alan olmaya devam ediyor. Sağlam tehdit tespit sistemlerinin geliştirilmesinin merkezinde, geniş, yüksek boyutlu veri kümelerinin kötü amaçlı etkinliğin gerçekten alakalı göstergelerini sıklıkla gizleyebildiği özellik seçimi zorluğu yer alır. Bu tez, makine öğrenimi tekniklerini Energy Valley Optimizer (EVO) algoritmasıyla birleştirerek özellik seçimine çığır açan bir yaklaşım önermektedir. Karmaşık, çok modlu manzaralarda gezinmedeki ustalığıyla tanınan EVO, ML modellerinin tahmin doğruluğunu önemli ölçüde artıran optimum özellik kümelerini belirler. Deneysel sonuçlarımızda, EVO yaklaşımıyla özellik seçimi kullanıldığında %99,75'lik belirgin şekilde iyileştirilmiş bir doğruluk elde edildi. Kapsamlı araştırmamız, EVO'yu ML ile entegre etmenin yalnızca tehdit tespit oranlarını artırmakla kalmayıp aynı zamanda yüksek boyutlu siber güvenlik veri kümeleri için ölçeklenebilir bir çözüm sağladığını göstermektedir. Çalışmamızın sonuçları, siber güvenlik kapsamındaki ML uygulamalarında paradigma değişimine yol açarak, hem gelişmiş hassasiyet hem de hesaplama verimliliği sunarak, giderek artan siber tehditler karşısında daha dayanıklı dijital altyapıların önünü açıyor.
Benzer Tezler
- Landsat uyduları aracılığı ile elde edilen görüntülerin işlenmesinde kontrast artırma tekniklerinin tanımı ve bu tekniklere ilişkin bilgisayar programlarının hazırlanması üzerine bir çalışma
Başlık çevirisi yok
BİLHAN TABAK
Yüksek Lisans
Türkçe
1986
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Isı borusu prensibinin güneşli su ısıtıcılarına ve damıtmaya uygulanması
Başlık çevirisi yok
ALİ YÜCEL UYAREL
- Batı Anadolu linyitlerinin koklaşabilme özelliklerinin incelenmesi
The Investigation of cokingability properties of west-anatolia lignites
JALE YANIK
- Protein biyosentez inhibitörlerinin bazı bitki viruslarına etkileri üzerinde araştırmalar
Research on the effects of protein biosynthesis inhibitors on some plant viruses
SEBİLA AKSOY