Yapay zeka yöntemleri ile yazılım tanımlı ağlar için saldırı tespiti
Intrusion detection for software defined networks with artificial intelligence methods
- Tez No: 1001737
- Danışmanlar: DOÇ. SEYFETTİN SİNAN GÜLTEKİN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yazılım Tanımlı Ağlar (YTA), ağ mimarisinde kontrol düzlemi ile veri iletim düzleminin birbirinden ayrılmasına dayanan yenilikçi bir yaklaşımdır. Bu mimari, geleneksel ağ yapılarında mevcut olan dikey bütünleşmeyi ortadan kaldırmakta ve denetleyici adı verilen merkezi bir ağ işletim sistemi aracılığıyla ağın tamamına ilişkin bütüncül bir görünüm sunmaktadır. Donanım tabanlı olarak sağlanan birçok ağ bileşeninin yazılım temelli hale getirilmesi sayesinde YTA, ağ kurulum ve işletme maliyetlerini azaltmakta; aynı zamanda yenilikçiliği teşvik ederek ağ güvenliği, hizmet kalitesi, talebe bağlı kaynak tahsisi ve yük dengeleme gibi işlevlerin etkin biçimde uygulanmasına olanak tanımaktadır. Bu özellikleri nedeniyle YTA, özellikle sanallaştırma, bulut bilişim ve sanal makinelerin yoğun olarak kullanıldığı veri merkezlerinde geleceğin ağ teknolojilerinden biri olarak kabul edilmektedir. Her ne kadar YTA mimarisi, denetleyici aracılığıyla ağ genelinde merkezi bir kontrol ve görünürlük sağlaması gibi önemli avantajlara sahip olsa da bu merkezi yapı aynı zamanda sistemin en kritik zayıf noktasını oluşturmaktadır. Denetleyiciye yönlendirilen aşırı sayıda istek, denetleyicinin işlem kapasitesini aşarak hizmet dışı kalmasına neden olabilmekte ve bu durum tüm ağın çalışmasını aksatmaktadır. Dolayısıyla, denetleyiciye yönelik saldırılar, YTA tabanlı ağların güvenliği açısından ciddi bir tehdit oluşturmaktadır. Bu tez çalışmasında, makine öğrenmesi metotları olarak yapay sinir ağları, K en yakın komşuluk algoritması, lineer ve kuadratik destek vektör makinesi kullanılarak en iyi saldırı tespit sistemine ulaşılmaya çalışılmıştır. Bütün uygulamalarda 125973 örüntü sayısına sahip NSL-KDD veri seti 5 kat çapraz doğrulama ile kullanılmıştır. Makine öğrenmesi metotlarından K en yakın komşuluk algoritması ile ikili sınıflandırmada 10 komşu sayısında 0.99 doğruluk, 0.99 kesinlik, 0.99 duyarlılık ve F1 skoru değerleri elde edilmiştir. Aynı algoritma ile NSL-KDD veri seti saldırı türlerine göre sınıflandırıldığında yine K=10 komşu sayısında bütün metriklerde %99'a erişilmiştir. Destek vektör makinaları (DVM) ile gerçekleştirilen çalışmalarda lineer DVM ile saldırı türlerinin tespitinde en yüksek % 98.42 doğruluk ve % 98.39 kesinlik değerlerine erişilirken, kuadratik DVM' de en iyi % 99.56 kesinlik ve % 99.57 duyarlılık değerlerine erişilmiştir. Ayrıca saldırı türü tespit sisteminin gerçekleştirilmesinde derin öğrenme modeli olarak uzun kısa süreli bellek ve kapılı tekrarlayan birim mimarileri kullanılmıştır. Uzun kısa süreli bellek mimarisi ile % 96.77 doğruluk değerine erişilmiştir. Çift yönlü uzun kısa süreli bellek ile doğruluk değeri % 97.11 olarak elde edilirken kapılı tekrarlayan birim ile % 96.44 doğruluk değerine erişilmiştir. Çalışmada gerçekleştirilen saldırı tespit sistemleri Mininet ortamında gerçek zamanlı olarak simüle edilmiştir.
Özet (Çeviri)
Software Defined Networking (SDN) is an innovative networking approach based on the separation of the control plane from the data forwarding plane in network architectures. This architecture eliminates the vertical integration present in traditional network structures and provides a holistic, network-wide view through a centralized network operating system known as the controller. By transforming many hardware-based networking components into software-based implementations, SDN reduces network deployment and operational costs while simultaneously fostering innovation and enabling the effective implementation of network security, quality of service, on-demand resource allocation, and load balancing. Owing to these characteristics, SDN is regarded as one of the future networking technologies, particularly in data centers where virtualization, cloud computing, and virtual machines are extensively adopted. Although the SDN architecture offers significant advantages such as centralized control and global network visibility through the controller, this centralized design also represents the most critical vulnerability of the system. An excessive number of requests directed at the controller may exceed its processing capacity, cause service disruption and potentially rendering the entire network inoperative. Therefore, attacks targeting the controller pose a serious threat to the security and reliability of SDN-based networks. In this thesis study, artificial neural networks, the k-nearest neighbours (KNN) algorithm, and linear and quadratic support vector machines (SVM) were employed as machine learning methods to obtain the most effective intrusion detection system. In all implementations, the NSL-KDD dataset, consisting of 125973 instances, was utilized with 5-fold cross-validation. Using the KNN algorithm, 0.99 accuracy, 0.99 precision, 0.99 recall, and 0.99 F1-score were achieved in binary classification with 10 neighbours. When the NSL-KDD dataset was classified according to attack types (multi-class classification), the same algorithm with 10 neighbours again achieved 99% in all evaluation metrics. In the studies conducted with support vector machines, the linear SVM achieved the highest performance in attack type detection with 98.42% accuracy and 98.39% precision, whereas the quadratic SVM reached the best results with 99.56% precision and 99.57% recall. Furthermore, Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) architectures were employed as deep learning models for the implementation of the attack type detection system. An accuracy of 96.77% was achieved with the LSTM architecture. The bidirectional LSTM model improved the accuracy to 97.11%, while the GRU model achieved an accuracy of 96.44%. The intrusion detection systems developed in this study were simulated in real time within the Mininet environment.
Benzer Tezler
- Yazılım tanımlı ağlarda makine öğrenme temelli saldırı tespit sistemi
Machine learning based intrusion detection system in software defined networks
BİROL EMEKLİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. İHSAN HAKAN SELVİ
- Yazılım tanımlı ağlarda yapay zeka tabanlı yeni bir DoS (denial of service) saldırı tespit sistemi gerçekleştirilmesi
Implementing a new DoS attack detection system in software defined networks based on artificial intelligence
MAJD LATAH
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. LEVENT TOKER
- Deep reinforcement learning based uplink resource allocation in open ran systems
Open ran sistemlerinde derin pekiştirmeli öğrenme tabanlı yukarı yönlü kaynak ataması
ALİ YILDIRIM
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Görüntü sınıflandırması için yapay sinir ağlarının analiz ve optimizasyonu
Analysis and optimization of artificial neural networks for image classification
OZAN ARSLAN
Doktora
Türkçe
2001
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiPROF. DR. OĞUZ MÜFTÜOĞLU
PROF. DR. CANKUT ÖRMECİ
- Speeding up branch and bound algorithm for airline Crew scheduling problem by using machine learning techniques
Makine öğrenme teknikleri kullanarak Crew programlama sorunu için şube ve sınava algoritmasının hızlanması
LEILA GHASEMZADEH
Yüksek Lisans
İngilizce
2019
İletişim Bilimleriİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NAZIM KEMAL ÜRE