Fusing network traffic features with host traffic features for an improved network intrusion detection system
Geliştirilmiş bir ağ girişim tespit sistemi için ağ trafik özelliklerinin ana bilgisayar trafik özellikleriyle birleştirilmesi
- Tez No: 936433
- Danışmanlar: DOÇ. DR. SEFER KURNAZ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Siber tehditler daha karmaşık ve yaygın hale geldikçe, ağ güvenliği günümüzün bağlantılı dünyasında önemli bir endişe kaynağıdır. Geleneksel Ağ Saldırısı Algılama Sistemleri (NIDS) genellikle önceden belirlenmiş imzalara ve kısıtlı algılama kapsamına olan bağımlılıkları nedeniyle yetersiz kalmaktadır ve yeni ve öngörülmeyen saldırıları etkili bir şekilde tanımada önemli boşluklar ortaya çıkarmaktadır. Bu araştırma, NIDS performansını artırmak için ağ ve ana bilgisayar trafiği verilerini karmaşık derin öğrenme algoritmalarıyla birleştirerek bu zorlukları ele almaktadır. Askeri bir ağ bağlamında çoğaltılan birden fazla saldırı senaryosunu içeren Ağ Saldırısı Algılama veri setini kullanarak, tekniğimiz özenli veri toplama, ön işleme ve özellik çıkarmayı içerir. Bu verileri değerlendirmek için evrişimli sinir ağı (CNN) kullandık ve model performansını artırmak için titiz özellik seçimi ve boyut azaltma uyguladık. Bulgular, derin öğrenmeye dayalı NIDS'imizin %98,5'lik inanılmaz bir algılama doğruluğu elde ettiğini, mevcut yaklaşımları aştığını ve gerçek dünya siber güvenlik sorunlarını başarıyla çözdüğünü ortaya koymaktadır. Bu kapsamlı yaklaşım yalnızca NIDS teknolojisini geliştirmekle kalmıyor, aynı zamanda birçok uygulamada ağ güvenliğini artırmak için pratik bir çözüm sunuyor ve dolayısıyla saldırı tespit sistemlerinin geliştirilmesine katkıda bulunuyor.
Özet (Çeviri)
Network security is a key concern in today's linked world as cyber threats grow more sophisticated and ubiquitous. Traditional Network Intrusion Detection Systems (NIDS) generally fall short owing to their dependence on predetermined signatures and restricted detection scope, exposing substantial gaps in efficiently recognizing new and unanticipated intrusions. This research tackles these difficulties by merging network and host traffic data with sophisticated deep learning algorithms to boost NIDS performance. Utilizing the Network Intrusion Detection dataset, which comprises multiple intrusion scenarios replicated in a military network context, our technique involves painstaking data collection, preprocessing, and feature extraction. We employed a convolutional neural network (CNN) to assess these data, applying rigorous feature selection and dimensionality reduction to enhance model performance. The findings reveal that our deep learning-based NIDS achieves an amazing detection accuracy of 98.5%, exceeding current approaches and successfully resolving real-world cybersecurity problems. This complete approach not only develops NIDS technology but also provides a practical solution for boosting network security across many applications, therefore contributing to the development of intrusion detection systems.
Benzer Tezler
- DDoS attack detection from network traffic data using machine learning methods
Makine öğrenimi yöntemleri kullanarak ağ trafiği verilerinden DDoS saldırısı tespiti
NUMAN ERTİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH ABUT
- Biyomedikal sinyaller ile yapay zeka tabanlı zihinsel iş yükünün belirlenmesi
Detection of mental workload using biomedical signals and artificial intelligence
OĞUZHAN HASAR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Havayolu yolculuk deneyimini iyileştirmek için makine öğrenmesi yöntemleriyle uçuş gecikmesi tahmini
Machine learning techniques for enhancing airline passenger experience through flight delay prediction
ESMA ERGÜN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜHA TUNA
- Konteyner liman operasyonlarının makine öğrenmesi yöntemleri ile analizi
Analysis of container port operations using machine learning methods
ÜSTÜN ATAK
Doktora
Türkçe
2022
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
PROF. DR. TOLGA KAYA
- Hava kirliliği konusunda çevre bilgi sistemi tasarımı ve gerçekleştirilmesi pilot projesi
Design of an information system about air pollution
HARUN İYİDİKER