Enhancing intrusion detection with random forest and feature selection
Rastgele orman ve özellik seçimi ile girişim tespitinin geliştirilmesi
- Tez No: 930949
- Danışmanlar: DR. ÖĞR. ÜYESİ HAMZA ABUNIMA
- Tez Türü: Yüksek Lisans
- Konular: Belirtilmemiş.
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
This research focuses on enhancing Intrusion Detection Systems (IDS) using the Random Forest (RF) machine learning technique and optimizing feature selection methods to improve accuracy and reliability. The study employs the CIC-CSE-2018 dataset, applying data preprocessing steps like cleaning, normalization, and handling missing values. Various feature selection techniques, including filter-based and tree-based methods, were assessed to identify the most relevant features. The optimized feature selection process achieved an accuracy of 87% in detecting abnormal traffic with limited resources and smaller datasets. Additionally, a hybrid feature selection method combining Mutual Information (MI), RF, and Gradient Boosting (GB) was used, resulting in an accuracy of 88%. This approach outperformed traditional machine learning models, demonstrating the effectiveness of feature curation over synthetic balancing for real-time, scalable IDS solutions. Compared to previous studies, which reported an average accuracy of 27.29%, this research highlights the improved detection capability of the proposed method.
Özet (Çeviri)
Bu araştırma, Random Forest (RF) makine öğrenimi tekniğini kullanarak ve özellik seçimi yöntemlerini optimize ederek Saldırı Tespit Sistemleri'nin (IDS) doğruluğunu ve güvenilirliğini artırmaya odaklanmaktadır. Araştırma, CIC-CSE-2018 veri setini kullanarak, veri temizleme, normalleştirme ve eksik değerlerle başa çıkma gibi veri ön işleme adımlarını uygulamaktadır. En ilgili özellikleri belirlemek için çeşitli özellik seçimi teknikleri, filtre tabanlı ve ağaç tabanlı yöntemler de dahil olmak üzere değerlendirilmiştir. Optimizasyon sonucu, sınırlı kaynaklar ve daha küçük veri setleriyle anormal trafik tespiti için %87 doğruluk elde edilmiştir. Ayrıca, Mutual Information (MI), RF ve Gradient Boosting (GB) kombinasyonunu kullanan hibrit bir özellik seçimi yöntemi %88 doğruluk sağlamıştır. Bu yaklaşım, geleneksel makine öğrenimi modellerine göre daha üstün performans sergileyerek, gerçek zamanlı, ölçeklenebilir IDS çözümleri için özellik kürasyonu işleminin, sentetik dengeleme yöntemlerine göre daha etkili olduğunu göstermektedir. Önceki çalışmalarda ortalama %27,29 doğruluk raporlanırken, bu araştırma önerilen yöntemin gelişmiş tespit yeteneğini vurgulamaktadır.
Benzer Tezler
- Network intrusion detection system using hybrid deeplearning approaches in software defined networking
Yazılım tanımlı ağlarda hibrit derin öğrenme yaklaşımlarıkullanılarak ağ saldırı tespit sistemi
RACHID BEN SAID
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ
- 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
- Enhacing industrial system reliability through predictive analysis and intrusion detection using machine learning
Makine eğitimini kullanarak öngörücü analiz ve sizin giderme tespiti yoluyla endüstriyel sistem güvenilirliğinin artırılması
HOUDA SAMIRY
Yüksek Lisans
İngilizce
2024
Mühendislik BilimleriBahçeşehir ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
Prof. Dr. MUSTAFA ÖZBAYRAK
- Enhancing intrusion detection systems' capability through feature-sets optimization
Özellik setleri optimizasyonu yoluyla hazırlık tespiti algılama sistemlerinin yeteneklerini artırmak
MOHAMMAD YASSİN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar ÜniversitesiSiber Güvenlik Ana Bilim Dalı
PROF. DR. AHMET SENOL
- Glial tümörlerde moleküler biyobelirteçleri saptamada makine öğrenmesi ve radyomiksin katkısı
The contribution of machine learning and radiomics in identifying molecular biomarkers in glial tumors
ALİ SAMET TASAK
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpDokuz Eylül ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. EMEL ADA