Detection of attacks on networks using machine learning
Başlık çevirisi mevcut değil.
- Tez No: 833005
- Danışmanlar: PROF. DR. METİN ZONTUL
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ağ benzeri görülmemiş oranlara genişledikçe, neden olabileceği güvenlik risklerinin bilincindeyiz. Site blokları, veri kaybı ve finansal kayıplar bir siber saldırının sonuçlarından sadece birkaçıdır. Bu nedenle, ağ güvenliği sadece tüm modern bilgi işlem altyapılarının ayrılmaz bir parçası olmakla kalmıyor. Bununla birlikte, tehlikeleri azaltmak için, biri makine öğrenimi kullanılarak kötü amaçlı yazılımların tanımlanması olan çeşitli çalışmalar yapılmıştır. Makine öğrenmesinin özelliklerini kullanarak, bu çalışma k-en yakın komşular, lojistik regresyon ve karar ağaçları gibi tespit saldırıları için algoritmaları araştırır. Önceki çalışmaların sonuçları, makine öğrenimi sınıflandırması yoluyla zaten kötü amaçlı tespit gerçekleştirdiğimizi göstermektedir; ancak, bu sınıflandırıcının performansının güçlendirilmesi hala güncel bir konudur. Bu çalışmanın ana katkısı, ayarlama parametrelerinin modelin performans metriği üzerindeki etkisini göstermektir, daha sonra bu çalışma, modelin kalitesine katkıda bulunmak amacıyla sınıfları karşılaştırmak için söz konusu parametrenin optimal değerini belirlemeye odaklanacaktır. Dikkate alınan parametreler c ( lojistik, ccp_alpha için ) düzenini kontrol eden bir parametredir, karar ağacı için CPU sisteminin yanı sıra Anahtar Performans Göstergesi ( KPI ) yöntemini dağıtmayı içeren n_jobs, ve bu çalışmadaki k-En yakın komşu modeli için k değerini belirliyoruz, n_jobs parametresi ve yalnızca modelin karar verme süreci üzerinde en fazla etkiye sahip özelliklerin dağıtılmasını içeren kpi. Lojistik regresyon modeli ile, modelin karar verme süreci üzerinde en fazla etkiye sahip özellikleri belirlemek için her bir özelliğin katsayısını hesaplıyoruz. K-En yakın komşu tüm ölçümler için% 99 ile neredeyse mükemmel bir puan alırken, sonuçlar tüm etkili ölçümler için alınan karar ağacı ve lojistik regresyonun sırasıyla olduğunu göstermektedir.
Özet (Çeviri)
As the network has expanded to unprecedented proportions, we are conscious of the security risks it can cause. Site blocks, data loss, and financial losses are only some of the results of a cyberattack. Because of this, network security is becoming not only crucial but also an integral aspect of all modern computing infrastructures. However, in order to mitigate the dangers several studies have been carried out, one of which is the identification of malware using machine learning. By using features of machine learning, this work investigates algorithms for detection attacks like k-nearest neighbors, logistic regression, and decision trees. The results of previous studies indicate that we have already carried out malicious detection through machine learning classification; however, strengthened the performance of these classifier is still a topical issue. The main contribution of this study is to show us the impact of the adjustment parameters on the performance metric of the model, then this work will focus on determining the optimal value of the parameter in question to compare the classifies, with the aim of contributing to the quality of the model. The parameters considered are c (a parameter that controls regularization) for logistic, ccp_alpha, n_jobs which consists in deploying the system CPU as well as the Key Performance Indicator (KPI) method for decision tree, and for k-Nearest neighbor model in this study we determine the value k, n_jobs parameter and the kpi which consists in deploying only the features that have the most impact on the decision-making of the model. With the logistic regression model, we calculate the coefficient of each characteristic in order to determine the characteristics that have the most impact on the decision-making of the model. K-Nearest neighbor gets an almost perfect score with 99% for all measurements, while the outcomes demonstrate that decision tree and logistic regression respectively, received for all measures of efficacy (model score, accuracy, precision, sensitivity (recall), and specificity, F-score), 99.9%, 94%, 90%, 97%, 91%, 93% with decision tree model and 95.5%, 95%, 96%, 94%, 96%, 95% for logistic regression. The data used is the NSL KDD dataset.
Benzer Tezler
- A multilevel hybrid classifier using variant feature sets for intrusion detection
Saldırı tespiti için farklı özellik setleri kullanan çok düzeyli melez sınıflandırıcı
ASLIHAN AKYOL ÖZKAYA
Doktora
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMevlana ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR KARLIK
- Saldırı tespit sistemlerinde makine öğrenmesi tekniklerinin kullanılması: Karşılaştırmalı performans analizi
Use of machine learning techniques in intrusion detection systems: Comparative analysis of performance
ÇETİN KAYA
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. OKTAY YILDIZ
- Makine öğrenmesi yöntemleri ile network üzerinde saldırı tespiti
Intrusion detection on network with machine learning
MEHMET ZAHİD YILDIRIM
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. ABDULLAH ÇAVUŞOĞLU
- Wide-area measurement-based early prediction and corrective control for transient stability in power systems
Güç sistemlerinde geçici hal kararlılığı için geniş alan ölçümlerine dayalı erken kestirim ve düzeltici kontrol
MOHAMMED S.M. MAHDI
Doktora
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. VEYSEL MURAT İSTEMİHAN GENÇ
- Zararlı web sayfalarının tespiti ve sınıflandırılması için yeni bir sistem önerisi
A new method for detection and classification of malicious web pages
CANSU KADI
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ URAZ YAVANOĞLU