Intrusion detection and intrusion prevention systems with artificial intelligence
Yapay zeka ile saldırı tespit ve saldırı önleme sistemleri
- Tez No: 956445
- Danışmanlar: DR. ÖĞR. ÜYESİ İSMAİL BÜTÜN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağ Güvenliği, Atak Tespit ve Atak Önleme Sistemleri, Makine Öğrenmesi, Siber Güvenlik, Network Security, Intrusion Detection and Intrusion Prevention Systems, Machine Learning, Cybersecurity
- Yıl: 2025
- Dil: İngilizce
- Üniversite: OSTİM TEKNİK ÜNİVERSİTESİ
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 143
Özet
Bu tez çalışmasında, Snort3 ağ güvenlik sistemiyle entegre edilen makine öğrenmesi algoritmalarının saldırı tespit performansı incelenmiştir. Çalışmanın temel amacı, Snort3 tarafından üretilen logların analiz edilerek, ağ üzerindeki kötü niyetli aktivitelerin daha etkin bir şekilde tespit edilmesini sağlamaktır. Bu kapsamda, Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN) ve Rastgele Orman (RF) algoritmaları kullanılarak bir karşılaştırma yapılmıştır. Algoritmaların performansları doğruluk (accuracy), kesinlik (precision), duyarlılık (recall), F1 skoru ve yanlış pozitif/negatif oranları (FPR, FNR) gibi metrikler üzerinden değerlendirilmiştir. Çalışmada, NSL-KDD veri seti kullanılarak her üç algoritma eğitilmiş ve Snort3 IDS tarafından oluşturulan loglar analiz edilmiştir. Yapılan testler sonucunda, RF algoritması %98 doğruluk oranı ile en iyi performansı göstermiş, en düşük yanlış pozitif ve negatif oranlarına ulaşmıştır. KNN algoritması, RF' ye kıyasla daha düşük bir doğruluk sağlamış olsa da SVM' ye oranla daha başarılı bir sonuç elde etmiştir. SVM algoritması ise en düşük doğruluk oranına sahip olmakla birlikte, yüksek boyutlu veriler üzerinde kullanılabilirliği açısından avantaj sağlamaktadır. Bu çalışmada, Snort3 IDS' nin dinlediği ağ trafiğine istinaden oluşturduğu log dosyaları, NSL-KDD veri seti ile eğitilmiş üç farklı makine öğrenmesi algoritması (SVM, KNN ve RF) tarafından incelenmiştir. Bu inceleme sonucunda makine öğrenmesi algoritmalarının sınıflandırma (zararlı, zararsız) sonuçlarına göre ağ trafiği zararlı ve zararsız olarak etiketlenmiştir. Böylece hangi trafiklerin engellenmesi gerektiği ve hangi trafikler ile ilgili alarm kurallarının kaldırılabileceği konusunda bir çıkarım yapılmıştır. Çalışmanın sonunda, makine öğrenmesi algoritmalarının Snort3 tarafından tespit edilen trafik üzerindeki performansları karşılaştırılarak, Atak Tespit/Atak Önleme sistemlerinin doğruluk ve güvenliği açısından değerlendirmeler de yapılmıştır. Bu yaklaşımın, siber güvenlik önlemlerini güçlendirerek ağ tehditlerine karşı daha proaktif bir savunma sağlayabileceği değerlendirilmektedir.
Özet (Çeviri)
In this thesis, the intrusion detection performance of machine learning algorithms integrated with the Snort3 network security system was investigated. The study's main aim is to analyze Snort3 logs to more effectively detect malicious activities on the network. In this context, a comparison was made using Support Vector Machines (SVM), K-Nearest Neighbor (KNN) and Random Forest (RF) algorithms. The performances of the algorithms were evaluated on metrics such as accuracy, precision, recall, F1 score and false positive/negative rates (FPR, FNR). In the study, all three algorithms were trained using the NSL-KDD dataset and the logs generated by Snort3 IDS were analyzed. The testing revealed that the RF algorithm performed the best, with the lowest false positive and negative rates and an accuracy rate of 98%. Although the KNN algorithm provided lower accuracy compared to RF, it achieved a more successful result compared to SVM. The SVM algorithm, on the other hand, has the lowest accuracy rate, but it provides advantages in terms of usability on high-dimensional data. In this study, the log files which are created by Snort3 Intrusion Detection System based on network traffic it listened to were examined by three different machine learning algorithms (SVM, KNN and RF) trained with NSL-KDD dataset. As a result of this examination, entwork traffic was labeled asmalicious and benign according to the classification results of the machine learning algorithms (malicious and benign). Thus, an inference was made about which traffic should be blocked or dropped and which traffic related alarm rules could be lifted. At the end of the study, the performences of the machine learning algorithms on the traffic detected by Snort3 were compared and evaluations were made in terms of the Intrusion Detection/Intrusion Prevention Systems. It is evaluated that this approach can be provide a more proactive cyber defence against network threats by strengthening CyberSecurity measures.
Benzer Tezler
- Siber saldırıların tespitinde yapay zekâ tabanlı algoritma tasarımı
Ai-based algorithm design in detection of cyber attacks
AHMET NUSRET ÖZALP
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZAFER ALBAYRAK
- Web tabanlı saldırı önleme amaçlı yeni bir gerçek zamanlı web uygulaması güvenlik duvarı algoritmasının gerçekleştirilmesi
Implemantation of a real time web-based intrusion prevention aimed web application firewall algoritm
ADEM TEKEREK
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ÖMER FARUK BAY
- Saldırı tespit ve engelleme sistemleri için yapay zeka tabanlı yeni bir güvenlik modelinin oluşturulması
Building a new artificial intelligence based security model for intrusion detection and prevention systems
İLHAN FIRAT KILINÇER
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
DOÇ. DR. FATİH ERTAM
- Machine learning approach for external fraud detection
Dış saldırıların belirlenmesi için makine öğrenimi yaklaşımı
AJI MUBALAIKE
Yüksek Lisans
İngilizce
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. ERTUĞRUL KARAÇUHA
PROF. DR. EŞREF ADALI
- Attack detection in IoT systems using metaheuristic-enhanced quantum and classical machine learning techniques
Metasezgisel yöntemlerle geliştirilmiş kuantum ve klasik makine öğrenme teknikleri kullanılarak IoT sistemlerinde saldırı tespiti
MUHAMMED FURKAN GÜL
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSivas Bilim ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT BAKIR