Makine öğrenmesi yaklaşımı ile ağ anomalisi tespiti için hibrit model
Hybrid model for network anomaly detection using machine learning approach
- Tez No: 977647
- Danışmanlar: DR. ÖĞR. ÜYESİ FATMA NUR AKI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Ticaret Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, ağ trafiğinde meydana gelen anomali davranışlarının tespitine yönelik olarak makine öğrenmesi tabanlı bir yaklaşım önermektedir. Geliştirilen sistem, ikili sınıflandırma düzeyinde değerlendirilmiş; farklı algoritmalar kullanılarak elde edilen sonuçlar doğruluk, duyarlılık, kesinlik ve F1 skoru gibi temel metrikler üzerinden analiz edilmiştir. Çalışmanın temel katkısı, FP (False Positive) ve FN (False Negative) oranlarını ayrı katmanlarda optimize eden, üç aşamalı bir Ters Filtrelemeye Dayalı Hibrit IDS Yaklaşımı'nın tasarlanması ve uygulanmasıdır. Önerilen yaklaşımın ilk katmanında, XGBoost ağırlıklı bir VotingClassifier yapısı görev almış ve FN oranını en aza indirerek sistemin saldırı tespit hassasiyeti artırılmıştır. İkinci ve üçüncü katmanlarda ise sırasıyla LightGBM ve Logistic Regression modelleri yer alarak FP değerlerini baskılamak üzere filtreleme görevi üstlenmiştir. Böylece sistem hem saldırı kaçırma riskini azaltmakta hem de yanlış alarm üretimini kontrol altına almaktadır. Model eğitimi UNSW-NB15 veri seti ile gerçekleştirilmiş, ardından sistemin genellenebilirliğini test etmek amacıyla CIC-IDS2017 ve CIC-IDS2018 veri setleri kullanılmıştır. SMOTE tekniğiyle sınıf dengesizliği problemi giderilmiş, MinMaxScaler ile özellik ölçekleme yapılmış ve Select Best yöntemiyle nitelik seçimi uygulanarak yaklaşımın performansı artırılmıştır. Flask, MongoDB ya da yeniden eğitim gibi uygulamalar doğrudan bu tez kapsamında gerçekleştirilmemiştir. Ancak geliştirilen yaklaşımın modüler yapısı, ileride bu tür teknolojik bileşenlerin entegre edilmesine olanak tanıyacak şekilde kurgulanmıştır. Sistem, yalnızca statik analiz yapan bir IDS olmaktan öte, sürdürülebilir güvenlik çözümleri üretmeye açık bir platform mimarisi sunmaktadır. Ayrıca bu çalışmada doğrudan GAN, VAE gibi üretici (generative) modeller kullanılmamış olmakla birlikte, bu yöntemler literatürde kapsamlı biçimde incelenmiş ve geliştirilen yapının bu paradigmalara açık olacak biçimde tasarlandığı vurgulanmıştır. Özellikle sıfır gün saldırılarının simülasyonu ve sentetik veri üretimi gibi alanlarda Generative öğrenmenin sağlayabileceği katkılar teorik olarak değerlendirilmiştir. Sonuç olarak bu tez, sadece yüksek doğruluk sağlayan bir sınıflandırma modeli sunmakla kalmayıp; aynı zamanda genişletilebilirliği, sürdürülebilirliği ve gerçek dünya uygulamalarına uyarlanabilirliği ile literatüre güçlü bir katkı sunmaktadır.
Özet (Çeviri)
This thesis presents a machine learning-based approach for detecting anomalous behaviors in network traffic. The system was evaluated at the binary classification level, with performance assessed using accuracy, recall, precision, and F1 score. The primary contribution is the design and implementation of a three-stage Reverse Filtering-Based Hybrid IDS that optimizes False Positive (FP) and False Negative (FN) rates in separate layers. In the first stage, a VotingClassifier with an XGBoost core minimizes FN rates, improving attack detection sensitivity. The second and third stages employ LightGBM and Logistic Regression, respectively, to filter and reduce FP rates. This layered structure both lowers the risk of missed attacks and controls false alarms. The model training was performed using the UNSW-NB15 dataset, followed by the CIC-IDS2017 and CIC-IDS2018 datasets to test the system's generalizability. Class imbalance was addressed using SMOTE, features were scaled with MinMaxScaler, and Select Best was applied for feature selection, enhancing performance. Although Flask, MongoDB, and retraining mechanisms were not implemented within this study, the modular architecture enables future integration of such technologies, allowing the system to evolve beyond static IDS capabilities toward sustainable security solutions. Generative models such as GANs and VAEs were not directly applied but were reviewed in the literature. The architecture was designed to be adaptable to these paradigms, particularly for zero-day attack simulation and synthetic data generation. In conclusion, the proposed system achieves high classification accuracy while providing a scalable, sustainable, and adaptable framework for real-world deployment, offering a valuable contribution to intrusion detection research.
Benzer Tezler
- Derin öğrenme yöntemleri ile bilgisayar ağlarında güvenliğe yönelik anormallik tespiti
Deep learning based network anomaly detection
RÜSTEM CAN AYGÜN
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALİ GÖKHAN YAVUZ
- Otomatik makine öğrenmesi ile endüstriyel nesnelerin interneti tabanlı uç sistemlerde gerçek zamanlı saldırı tespit sistemi geliştirilmesi
Development of a real-time intrusion detection system in industrial internet of things based edge systems with automated machine learning
ANIL SEZGİN
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYTUĞ BOYACI
- Adaptive and hierarchical classifier fusion approaches for network attack detection
Ağ saldırısı tespiti için uyarlanır ve aşamalı sınıflandırıcı tümleştirme yaklaşımları
ERKAN AS
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. BEHÇET UĞUR TÖREYİN
- A smart intrusion detection systemagainst cyber attacks in unmanned aerial vehicles
İnsansız hava araçlarında siber saldırılara karşıakıllı saldırı tespit sistemi
BURCU SÖNMEZ SARIKAYA
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- Saldırı tespit sistemlerinde yapay zekâ tabanlı anomali tespiti
Artificial intelligence-based anomaly detection in intrusion detection systems
AWAB DAW SAAD KHALEFA
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ZENGİN