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: 100
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
- Bayesian methods for network traffic analysis
Ağ trafiği analizi için bayesçi metodlar
BARIŞ KURT
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ TAYLAN CEMGİL
- Identification and characterization of network paths
Ağ yollarının tanımlanması ve karakterizasyonu
EMRE DEMİR
Doktora
İngilizce
2013
UlaşımUniversity of MissouriUlaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. TIMOTHY C. MATISZIW
- Deep wavelet neural network for spatio-temporal data fusion
Uzamsal-zamansal veri füzyonu içinderin dalgacık sinir ağları
AJLA KULAGLIC
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ
- Medium-aware inference for wireless sensornetworks
Telsiz algıç ağları için ortam gözeterek çıkarsama
MUATH ABED ALRAUF WAHDAN
Doktora
İngilizce
2020
Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA AZİZ ALTINKAYA
- Hibrit yapay sinir ağları yöntemleri ile nörögörüntüleme verilerine dayalı otizm tanılama
Autism diagnosis based on neuroimaging data with hybrid neural network techniques
EMEL KOÇ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Okan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEMİH BİLGEN