Öznitelik seçimi özellik bileşimine dayanan uyarlamalı sinirsel-bulanık çıkarım sistemi üzerinden ağ saldırılarının tespiti
Detection of network intrusions through an adaptive neuro-fuzzy inference system based on feature fusion of attribute selection
- Tez No: 938621
- Danışmanlar: PROF. DR. İBRAHİM ALPER DOĞRU
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: ANFIS, Siber güvenlik, Yapay zeka ve makine öğrenmesi dersi, Öge seçimi, ANFIS, Cyber security, Artificial intelligence and machine learning course, Feature selection
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgi Güvenliği Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde, iletişim teknolojilerinin gelişmesi ağlar ve veriler için çeşitli saldırı risklerini beraberinde getirmiştir. Bilişim sistemlerini siber saldırılardan korumak için yeni teknolojiler üretmek ve yöntemler geliştirmek önemli bir zorluk olarak karşımıza çıkmaktadır. Bu zorlukların üstesinden gelebilmek amacıyla, ağ saldırı tespit sistemleri geliştirilmiştir. Son zamanlarda yapay zeka ve makine öğrenimi gibi yenilikçi teknikler, saldırı tespit sistemlerinde etkin bir şekilde uygulanarak, bu sistemlerin saldırıları daha hızlı ve doğru bir şekilde tespit etmelerini sağlamış ve dolayısıyla güvenlik seviyelerini artırmıştır. Bu yüksek lisans tezinde, bilgisayar ağlarındaki anomalileri tespit edebilmek için, geleneksel özellik seçme tekniklerinin sağladığı kazanç skorlarından yaralanan özellik füzyonuna dayanan makine öğrenmesi temelli yeni bir yöntem önerilmektedir. Bu yöntem, özellik füzyonu ve sınıflandırma olmak üzere iki temel prosedürü birleştirir. Özellik füzyon prosedürü, özellik seçme temelli kazanç skorlarına göre benzer özellikleri birleştirerek azaltılmış bir veri kümesi elde ederken, sınıflandırma prosedürü, bu veri kümesini uyarlamalı sinirsel-bulanık çıkarım sistemi (ANFIS) tekniğinde kullanarak ağdaki saldırıları etiketler. Önerilen metodun etkinliğinin değerlendirilmesi amacıyla sınıflandırma prosedüründe, farklı makine öğrenmesi algoritmalarından (Karar Ağacı (DT), k-En Yakın Komşuluk (k-NN), Eklemeli Lojistic Regresyon (Logitboost) ve Naïve Bayes (NB)) faydalanılmıştır. Önerilen yöntemin saldırı tespitindeki performansı, geleneksel özellik seçme tekniklerine dayanan makine öğrenmesi yöntemleri ile kıyaslanarak doğrulanmıştır. Etkin bir kıyaslama için başlangıç veri seti olarak, farklı türde ağ saldırılarını içeren NSL-KDD veri setinin ikili sınıflandırma ile kategorize edilen türü tercih edilmiştir. Deneysel çalışmaların sonuçları, önerilen ANFIS yaklaşımının saldırı tespitinde, NSL-KDD veri setinde 96,59% hassasiyet oranı ile oldukça yüksek bir performans sergilediğini göstermiştir.
Özet (Çeviri)
Today, the development of communication technologies has brought various attack risks for networks and data. Developing new technologies and methods to protect information systems from cyber attacks is an important challenge. In order to overcome these challenges, network intrusion detection systems have been developed. Recently, innovative techniques such as artificial intelligence and machine learning have been effectively applied to intrusion detection systems, enabling them to detect attacks faster and more accurately, and thus increasing their security level. In this master's thesis, we propose a new machine learning-based method for detecting anomalies in computer networks based on feature fusion that exploits the gain scores provided by traditional feature selection techniques. This method combines two basic procedures: feature fusion and classification. While the feature fusion procedure obtains a reduced dataset by combining similar features based on feature selection based gain scores, the classification procedure uses this dataset in an adaptive neural-fuzzy inference system (ANFIS) technique to label attacks in the network. In order to evaluate the effectiveness of the proposed method, different machine learning algorithms (Decision Tree (DT), k-Nearest Neighbor (k-NN), Additive Logistic Regression (Logitboost) and Naïve Bayes (NB)) are also used in the classification procedure. The performance of the proposed method in intrusion detection is validated by comparing it with machine learning methods based on traditional feature selection techniques. For an effective comparison, the initial dataset was chosen as the NSL-KDD dataset, which includes different types of network attacks and is categorized with binary classification. The results of the experimental studies show that the proposed ANFIS approach performs very well in intrusion detection with an precision of 96.59% on the NSL-KDD dataset.
Benzer Tezler
- Fake news classification using machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması
SAJA ABDULHALEEM MAHMOOD AL-OBAIDI
- Integrated binary artificial bee colony algorithm with NAÏVE bayesian classifier for network intrusion detection system
Ağ saldırı tesbit sistemi için NAÏVE bayes sınıflandırıcı ile yapay arı koloni algoritmasının birlikte kullanımı
ZAID OSAMAH ALZORQI
- Dictionary ensemble based active learning for multiple instance image classification
Çoklu örnekli görüntü sınıflandırması için sözlük topluluğu tabanlı aktif öğrenme
GÖKHAN KOÇYİĞİT
Yüksek Lisans
İngilizce
2016
İstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Novel optimization models to generalize deep metric learning
Derin metrik öğrenmeyi genelleyen yenilikçi optimizasyon modelleri
YETİ ZİYA GÜRBÜZ
Doktora
İngilizce
2022
Orta Doğu Teknik ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Computer Aided Prognosis of Epileptic Patients Using Multi-Modality Data andArtificial Intelligence Techniques
Çoklu Modalite Verileri ve Yapay Zeka Teknikleri Kullanarak Epilepsi Hastalarına Bilgisayar Yardımıyla Teşhis Konulması
MASOUD LATIFINAVID
Yüksek Lisans
İngilizce
2009
Sharıf Unıversıty Of TechnologyMakine Mühendisliği Ana Bilim Dalı
Yükleniyor...