Geri Dön

Makine öğrenmesi tabanlı hibrit algoritma ve hibrit veri seti ile ddos saldırı tahmini

Machine learning based hybrid algorithm and ddos attack prediction with hybrid dataset

PDF İndir

  1. Tez No: 940949
  2. Yazar: SELİM ERDAŞ
  3. Danışmanlar: DOÇ. DR. AHMET ARİF AYDIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Makine Öğrenmesi, Hibrit, DDoS, CICIDS2017, CIC-DDoS2019, Machine Learning, Hybrid, DDoS, CICIDS2017, CIC-DDoS2019
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İnönü Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 58

Özet

Dijitalleşen dünyamızda verinin üretilmesinden analiz edilmesine kadar her bir aşamada kullanıcıların güvenli bir şekilde yazılım sistemlerini kullanması talep edilen bir durumdur. Fakat kötü niyetli kişiler tarafından bu hizmetlerin engellenmesi de hayatımızın istenmeyen bir olgusudur. Dağıtık Hizmet Reddi (DDoS) saldırıları da bu amaç için kullanılan saldırı çeşitlerindendir. Artan yaygınlığı nedeniyle DDoS saldırı tespiti önem arz ettiğinden bu çalışmamızda DDoS tespitine yönelik makine öğrenimi tabanlı hibrit bir yaklaşım sunulmuştur. Bu çalışma, DDoS saldırı tespitinde kullanılan popüler CICIDS2017 ve CIC-DDoS2019 veri setleri ve bu veri setlerinin birleştirilmesiyle oluşturulan alternatif hibrit bir veri seti üzerinde gerçekleştirilmiştir. Bu çalışmada ismi geçen veri setleri üzerinde öncelikli olarak Karar Ağaçları (DT), Rastgele Orman (RF), K-En Yakın Komşu (KNN) ve Destek Vektör Makineleri (SVM) gibi makine öğrenimi algoritmaları ayrı ayrı uygulanmış, daha sonrasında her bir modelin performansı detaylı bir şekilde değerlendirilmiştir. Ayrıca, bahsedilen veri setleri farklı makine öğrenmesi algoritmalarının birleştirilmesiyle oluşturulan hibrit modelleme yaklaşımları ile de test edilmiş ve algoritmaların güçlü yönlerinin bir araya getirilmesiyle daha yüksek doğruluk ve güvenilirlik sağlanması hedeflenmiştir. Yapılan analizler, hibrit modellerin karmaşık veri setlerinde doğruluk oranını %99,91'e kadar çıkarabildiğini göstermiştir. Böylece çalışmamızda, popüler olan iki veri setinin birleştirilmesi ile literatürde kullanılan veri setleri için bir alternatif oluşturulmuş ve makine öğrenmesi algoritmalarının da hibrit olarak kullanımı ile mevcut algoritmaların hibrit versiyonlarına karşı hem DDoS tespit doğruluğunun arttırılması hem de karmaşık veri setleri üzerindeki performansın iyileştirilmesi açısından önemli bir katkı sağlamaktadır. Ayrıca, elde edilen bulgular, siber güvenlikte daha etkili ve uyarlanabilir tespit yöntemlerinin geliştirilmesine katkıda bulunması ve gelecekteki çalışmalara yol gösterici bir çerçeve sunması hedeflenmiştir.

Özet (Çeviri)

In this digitalized world, users of various software systems would like to securely making use of at every stage from data generation to analysis. However, blocking these services by malicious people is also an undesirable phenomenon of our world. Distributed Denial of Service (DDoS) attacks are one of the attack types. Since DDoS attack detection is important due to its increasing prevalence, this paper presents a machine learning based hybrid approach for DDoS detection. This study was performed on the popular CICIDS2017 and CIC-DDoS2019 datasets used in DDoS attack detection and an alternative hybrid dataset created by combining these datasets. This study initially employed machine learning techniques such as Decision Trees (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machines (SVM) on the specified datasets, thereafter conducting a comprehensive assessment of each model's efficacy. We further evaluated the datasets employing hybrid modelling techniques that integrate several machine learning methods to enhance accuracy and dependability by leveraging their respective strengths. The investigation demonstrated that hybrid models may get an accuracy of up to 99.91% on complex data sets. In our research, we combined two important datasets to construct an alternative to those utilized in existing literature. The hybrid application of machine learning methods markedly enhanced DDoS detection precision and optimized performance on complex datasets relative to hybrid versions of established approaches. Moreover, our results aim to improve the efficiency and flexibility of cybersecurity detection techniques and to create a foundation for future research.

Benzer Tezler

  1. Tez No

    962042

    Contributions to the determination of optimized driving strategies for electric vehicles using artificial intelligence based methods

    Elektrikli araçlar için yapay zeka tabanlı yöntemlerle en uygunlaştırılmış sürüş stratejilerinin belirlenmesine katkılar

    UFUK BOLAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. DERYA AHMET KOCABAŞ

    DOÇ. DR. GÜLCİHAN ÖZDEMİR

  2. Tez No

    817720

    Hybrid intelligent android malware detection in auto-driving vehicles based on adaptive genetic algorithm: A software engineering perspective

    Uyarlanabilir genetik algoritmaya dayalı sürücüsüz araçlarında hibrit akıllı android kötü amaçlı yazılım tespiti: Yazılım mühendisliği perspektifi

    LAYTH SATTAM HAMMOOD HAMMOOD

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İBRAHİM ALPER DOĞRU

  3. Tez No

    796398

    Yapay sinir ağı eğitimi için çoklu evren optimizasyonu ve tavlama benzetimi algoritması ile yeni bir melez meta-sezgisel model önerisi

    A new hybrid meta-heuristic model proposal with multiverse optimization and simulated annealing algorithm for artificial neural network training

    ÖMER YILMAZ

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilişim Teknolojileri Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM ALPASLAN ALTUN

  4. Tez No

    419001

    Approximate spectral clustering ensemble methods for clustering of large data sets

    Büyük veri kümelerinin sınıflandırılmasında yaklaşık spektral öbekleme birleşimi yöntemleri

    YASER MOAZZEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İSA YILDIRIM

    DOÇ. DR. KADİM TAŞDEMİR

  5. Tez No

    965685

    Kritik altyapılardaki potansiyel siber saldırıların tespitine yönelik yapay zeka tabanlı bir algoritma geliştirilmesi

    Development of an artificial intelligence-based algorithm for detecting potential cyber attacks in critical infrastructures

    MEHMET AKİF ÖZGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. ŞEVKİ DEMİRBAŞ

Geri Dön