Network intrusion detection with a deep learning approach
Derin öğrenme yaklaşımı ile ağ saldırı tespiti
- Tez No: 720181
- Danışmanlar: DR. ÖĞR. ÜYESİ AYBAR CAN ACAR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Siber güvenlik, ağ akış analizi, derin öğrenme, saldırı tespiti, Ağ akışı problemleri, Saldırı tespit sistemi (IDS), Cybersecurity, network flow analysis, deep learning, intrusion detection, Network flow problems, Intrusion detection system (IDS), Cyber security
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Enformatik Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bilgi teknolojilerinin birçok alanda giderek yaygınlaşması ile birlikte, söz konusu sistemlerin güvenliğini sağlamak oldukça önem kazanmıştır. Bu büyümenin bir sonucu olarak, siber saldırıların karmaşıklığı da artmış durumdadır. Bundan dolayı, imza tabanlı Saldırı Tespit Sistemleri gibi geleneksel güvenlik araçlarının kullanımı da tatmin edici sonuçlar üretme konusunda artık yetersiz kalmış durumdadır. Saldırı Tespit Sistemleri (STS) ağ trafiğini gözlemleme ve zararlı trafiği yakalamak için kullanılmaktadır. Geleneksel STS'ler imza tabanlıdırlar, yani sadece kural setleri kullanarak bilinen tehditlere karşı önlem alabilme kabiliyetine sahiptirler. Bilinmeyen saldırılar ya da bilinen saldırılarda statik imzaya karşılık gelmeyecek şekilde değişiklikler yapılması durumunda ise geleneksel STS'ler bu tür saldırıları tespitte başarısız olmaktadırlar. Yeni tür saldırıları tespit edebilme performansını artırma,“false positive”ve“false negative”oranlarını azaltabilmek için, makine öğrenmesi gibi yeni davranış tabanlı anormal aktivite tespit yaklaşımları imza tabanlı STS'ler ile birlikte bir çözüm sunabilirler. Makine öğrenme algoritmaları veri ve örüntülerden öğrenebildiği için, hangi trafiğin normal ya da saldırı trafiği olduğu tahmin edilerek gerçek zararlı aktivitelerin tespit oranını artırmak mümkün olacaktır. Aynı zamanda yanlış alarmları azaltabilmek için ayrıca elle konfigürasyona ihtiyaç olmaksızın tespit etme işlemini bu şekilde otomatize edebilecektir. Bu tezde, ağ akışı tabanlı saldırı tespiti için tekrarlayan sinir ağı mimarilerine odaklanarak derin öğrenme yaklaşımlarının uygulanmasının tespit performansına etkisini araştırmak amaçlanmaktadır.
Özet (Çeviri)
With the rapid growth of the information technology in several areas, providing security of those systems has gained more importance. As a result of this development in information technology, the complexity of cyber-attacks has also significantly increased. Therefore, traditional security tools such as Signature-based Intrusion Detection Systems (SIDS) have become insufficient for detecting new attacks. Intrusion Detection Systems (IDS) are used to monitor network traffic and capture malicious traffic. Traditional IDS are signature-based, meaning that they are capable of taking action against known threats using only predefined or custom rule sets. Traditional IDS fail to detect such attacks if unknown attacks or modified known attacks which does not correspond to the static signature occur. New behavior-based anomalous activity detection approaches, such as deep learning, can offer a solution together with signature-based IDS in order to increase the performance of detecting new types of attacks and reduce the FP (false positive) and FN (false negative) rates. Since deep learning algorithms can learn from data and patterns, it will be possible to increase the detection rate of real malicious activities by estimating which traffic is normal or attack traffic. At the same time, they are capable of automating the detection process without the need for manual configuration in order to reduce false alarms. In this thesis, we aim to investigate the efficiency of applying deep learning approaches by focusing on recurrent neural network architectures for network flow-based intrusion detection.
Benzer Tezler
- A deep reinforcement learning approach to network intrusion detection
Ağ saldırı tespitinde derin pekiştirmeli öğrenim yaklaşımı
HALİM GÖRKEM GÜLMEZ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ PELİN ANGIN
- A proposed approach network intrusion detection system (NIDS) using deep learning for software defined network (SDN): A futuristic approach
Derin sinir ağları ile zaman serilerinin sınıflandırılması
MHMOOD RADHI HADI HADI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI
- Network and server intrusion detection augmented with hybrid detection enhancements through deep learning
Derin öğrenme aracılığıyla hibrit tespit geliştirmeleriyle ağ ve sunucu giriş tespiti
DANYA AHMED SHEHAB ALALWAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYCA KURNAZ TURKBEN
- Derin öğrenme yaklaşımı kullanarak bulut ortamları için saldırı tespit hizmet tasarımı
A deep learning approach for designing a cloud intrusion detection service
WISAM ELMASRY
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜL HALİM ZAİM
DOÇ. DR. AKHAN AKBULUT
- Anomaly detection systems in SDNS using a hybrid deep learning -LSTM based approach
Hibrit derin öğrenme -lstm tabanlı yaklaşım kullanılarak SDNS'de anomali tespit sistemleri
AHMED MOHANAD JABER ALHİLO
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KOYUNCU