Enhanced DDoS attack detection through hybrid machine learning techniques
Hibrit makine öğrenme teknikleri yoluyla geliştirilmiş DDoS saldırısı tespiti
- Tez No: 935922
- Danışmanlar: PROF. DR. SERHAT ÖZEKES
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağ güvenliği, Bilgisayar güvenliği, Siber güvenlik, Network security, Computer security, Cyber security
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Dağıtılmış Hizmet Engelleme (DDoS) saldırıları için sağlam tespit mekanizmalarının geliştirilmesini makine öğrenme teknikleri kullanarak incelemektedir. Araştırmanın ana amacı, iki farklı yaklaşımı değerlendirerek DDoS tespit doğruluğunu artırmaktır: metaklasifikasyon yığın modeli ve transfer öğrenme modeli. Bu kapsamda, CICDDoS2019 ve CICIDS2017 veri setleri, modellerin eğitimi ve değerlendirilmesi için kullanılmıştır. İlk yaklaşımda, K-En Yakın Komşu (KNN), Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF) algoritmaları, lojistik regresyon metaklasifikasyonu kullanılarak birleştirilmiştir. Bu ansambl yöntemi, her bir algoritmanın güçlü yönlerinden yararlanarak doğruluk, kesinlik, hatırlama ve F1 skoru gibi performans metriklerini iyileştirmiştir. İkinci yaklaşım, CICIDS2017 veri setinde önceden eğitilmiş bir Yapay Sinir Ağı (ANN) modelinin, CICDDoS2019 veri seti kullanılarak ince ayarlandığı transfer öğrenme yöntemini kullanmaktadır. Bu yöntem, bilgi transferinin avantajlarını göstererek, önemli ölçüde azaltılmış eğitim süresi ile yüksek tespit performansı elde edilmesini sağlamıştır. Bulgular, her iki yaklaşımın da DDoS tespitini önemli ölçüde iyileştirdiğini göstermektedir. Metaklasifikasyon yaklaşımı daha yüksek performans metriklerine ulaşırken, daha fazla hesaplama gücü gerektirmektedir. Transfer öğrenme yaklaşımı ise, performans ve verimlilik arasında pratik bir denge sunarak hızlı model dağıtımı gerektiren senaryolar için uygun hale gelmiştir. Sonuç olarak, araştırma, gelişmiş makine öğrenme tekniklerinin etkili DDoS tespit sistemleri geliştirmedeki potansiyelini vurgulamaktadır. Çoklu algoritmaların ansambl yöntemleriyle birleştirilmesi ve transfer öğrenme yoluyla önceden eğitilmiş modellerin kullanılması, tespit doğruluğu ve verimliliğinin artırılmasına katkıda bulunmaktadır.
Özet (Çeviri)
This thesis investigates the development of robust detection mechanisms for Distributed Denial of Service (DDoS) attacks using machine learning techniques. The main purpose of the research is to enhance DDoS detection accuracy by exploring two distinct approaches: a metaclassifier stacking model and a transfer learning model. The CICDDoS2019 and CICIDS2017 datasets are utilized to train and evaluate these models. In the first approach, the K-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Random Forest (RF) algorithms are combined using a logistic regression metaclassifier. This ensemble method leverages the strengths of each individual algorithm, resulting in improved performance metrics such as accuracy, precision, recall, and F1-score. The second approach employs transfer learning, where a pre-trained Artificial Neural Network (ANN) model on the CICIDS2017 dataset is fine-tuned using the CICDDoS2019 dataset. This method demonstrates the advantages of transferring knowledge, achieving high detection performance with significantly reduced training time. The findings indicate that both approaches significantly improve DDoS detection. The metaclassifier approach achieves higher performance metrics but is more computationally intensive. The transfer learning approach offers a practical balance between performance and efficiency, making it suitable for scenarios requiring rapid model deployment. In conclusion, the research highlights the potential of advanced machine learning techniques in developing effective DDoS detection systems. The combination of multiple algorithms through ensemble methods and the utilization of pre-trained models via transfer learning both contribute to enhancing detection accuracy and efficiency.
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
- İncir işletmelerinde açığa çıkan hurda incirlerin tek hücre proteini üretiminde substrat olarak kullanımı
Başlık çevirisi yok
HÜLYA OKER
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiGıda Bilimi ve Teknolojisi Ana Bilim Dalı
DOÇ. DR. MEHMET KARAPINAR
- Patates meristem uçlarından çoklu sürgün elde edilmesinde büyüme regülatörlerinin etkisi
Başlık çevirisi yok
ZİHİN YILDIRIM
- Nikel (II) ve demir (III) nitrit komplekslerinin sulu ortamdaki ardışık oluşumunun potansiyometrik ve spektrofotometrik yöntemle incelenmesi
Potentiometric and spectrophotometric studies on the stepwise formation of cmoplexes of nicel (II) and iron (III) nitrites in aqueous solution
F. BEDİA ERİM
- Yeraltı kömür gazlaştırma prosesinin nümerik ve laboratuvar simulasyonu geri ve ileri yanma teknikleri
Numerical and laboratory simulation of underground coal gasification process-reverse and forward combustion techniques
FÜSUN F. OKUTAN
Doktora
Türkçe
1985
Maden Mühendisliği ve Madencilikİstanbul Teknik ÜniversitesiPROF. DR. A. İHSAN ÇATALTAŞ