Makine öğrenimi yöntemleri ile ağ saldırılarının tespiti
Detection of network attacks using machine learning methods
- Tez No: 998067
- Danışmanlar: PROF. DR. RECEP ERYİĞİT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Ağ sistemleri, Makine öğrenmesi yöntemleri, Rastgele ormanlar, Saldırı algılama sistemi, Network systems, Machine learning methods, Random forests, Introsion detection system
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde siber tehditlerin çeşitlenmesi ve karmaşık hâle gelmesi, ağ altyapılarının güvenliğinin sağlanmasını kritik bir gereksinim hâline getirmiştir. Bu bağlamda, ağ trafiği üzerinde meydana gelen zararlı faaliyetlerin erken aşamada belirlenebilmesi için Ağ Saldırı Tespit Sistemleri (NIDS) önemli bir rol üstlenmektedir. Bu tez çalışmasında, makine öğrenmesi tabanlı yöntemler kullanılarak ağ saldırılarının etkin bir biçimde tespit edilmesi amaçlanmıştır.Çalışma kapsamında, gerçekçi trafik yapısı ve güncel saldırı senaryoları içermesi nedeniyle UNSW-NB15 veri kümesi tercih edilmiş ve problem çok sınıflı saldırı tespiti çerçevesinde ele alınmıştır. Geleneksel yaklaşımlardan farklı olarak, yalnızca normal ve anormal trafik ayrımı yapılmamış; veri kümesinde yer alan çeşitli saldırı türleri ayrı sınıflar olarak değerlendirilmiştir. Bu yaklaşım sayesinde, ağ trafiğinin davranışsal özellikleri daha ayrıntılı şekilde analiz edilebilmiştir. Deneysel analizlerde Rastgele Orman, Destek Vektör Makineleri, k-En Yakın Komşu, Karar Ağacı ve Naive Bayes olmak üzere beş farklı denetimli makine öğrenmesi algoritması kullanılmıştır. Modeller, beş katlı çapraz doğrulama yöntemi ile değerlendirilmiş; doğruluk, kesinlik, duyarlılık ve F1 skoru gibi performans ölçütleri esas alınarak karşılaştırılmıştır. Elde edilen bulgular, Rastgele Orman ve k-En Yakın Komşu algoritmalarının genel sınıflandırma başarımı açısından öne çıktığını, diğer yöntemlerin ise belirli saldırı türlerinde rekabetçi sonuçlar ürettiğini ortaya koymuştur. Ayrıca, karışıklık matrisi analizleri aracılığıyla sınıflandırma hatalarının dağılımı ayrıntılı olarak incelenmiştir. Bu tez çalışmasının temel katkısı, UNSW-NB15 veri kümesi üzerinde farklı makine öğrenmesi algoritmalarının çok sınıflı saldırı tespit problemindeki performanslarının sistematik ve karşılaştırmalı biçimde değerlendirilmesidir. Elde edilen sonuçlar, tek bir algoritmanın tüm saldırı türleri için ideal bir çözüm sunmadığını ve model başarısının veri dağılımı ile öznitelik yapısına bağlı olarak değiştiğini göstermektedir. Bu doğrultuda, gelecekte hibrit ve çok aşamalı saldırı tespit yaklaşımlarının ağ güvenliği alanında daha etkili çözümler sunabileceği değerlendirilmektedir.
Özet (Çeviri)
The rapid growth and increasing complexity of cyber threats have made the protection of network infrastructures and data confidentiality a critical concern. In this regard, Network Intrusion Detection Systems (NIDS) play an essential role in identifying malicious activities within network traffic at an early stage. This thesis aims to investigate the effectiveness of machine learning–based approaches for accurately detecting network attacks.In this study, the UNSW-NB15 dataset was selected due to its realistic traffic structure and inclusion of contemporary attack scenarios, and the intrusion detection problem was formulated as a multi-class classification task. Rather than limiting the analysis to a binary distinction between normal and malicious traffic, individual attack categories were treated as separate classes, allowing for a more comprehensive examination of network traffic behavior. Experimental analyses were performed using five supervised machine learning algorithms: Random Forest, Support Vector Machines, k-Nearest Neighbors, Decision Tree, and Naive Bayes. The models were evaluated through five-fold cross-validation and compared using standard performance metrics, including accuracy, precision, recall, and F1-score. The experimental results demonstrate that Random Forest and k-Nearest Neighbors exhibit higher overall classification performance, while the remaining algorithms achieve competitive results for specific attack categories. Furthermore, confusion matrix analyses were conducted to provide a detailed assessment of classification errors. The primary contribution of this thesis lies in the systematic and comparative evaluation of multiple machine learning algorithms for multi-class intrusion detection using the UNSW-NB15 dataset. The findings indicate that no single algorithm can be considered optimal for all attack types, as model performance is influenced by both data distribution and feature characteristics. Accordingly, the results suggest that hybrid and multi-stage intrusion detection strategies may offer more effective solutions for future network security research.
Benzer Tezler
- 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
CİHAN ÇINAR
Yüksek Lisans
Türkçe
2025
Mühendislik BilimleriGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM ALPER DOĞRU
- Makine öğrenimini kullanarak IoT ağlarında saldırı tespiti
Intrusion detection in IoT networks using machine learning
HANAN ABU KWAIDER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMersin ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERDİNÇ AVAROĞLU
- An online network intrusion detection system for DDoS attacks with IoT botnet
IoT botnetleri ile yapılan dağıtık servis dışı bırakma saldırıları için çevrimiçi bir ağ saldırı tespit sistemi
ERİM AYDIN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR
- Enhancing botnet detection using federated learning in iot networks
Iot ağlarinda federe öğrenme yöntemini kullanarak botnet tespitinin geliştirilmesi
NİLÜFER USLAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- DDoS attack detection using machine learning and deep learning methods
Makine öğrenmesi ve derin öğrenme yöntemleri ile DDoS atak tespiti
DENİZ MERVE GÜNDÜZ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTed ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN KUĞU