Enhancing threat detection using particle swarm optimization for feature selection
Özellik seçimi için parçacık sürü optimizasyonu kullanarak tehdit algılamasını geliştirme
- Tez No: 940487
- Danışmanlar: DOÇ. DR. OĞUZ ATA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilişim Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tehdit Algılama, bilgisayar ağlarının siber tehditlere karşı korunmasında hayati bir rol oynar. TD'nin kritik yönlerinden biri, ağ trafiğini normal veya kötü amaçlı olarak doğru bir şekilde sınıflandırmak için ilgili özelliklerin seçilmesidir. Bu tezde, TD'nin performansını artırmak için bir özellik seçme tekniği olarak Parçacık Sürü Optimizasyonunun (PSO) kullanılmasını öneriyoruz. PSO, kuş sürülerinin kolektif davranışından ilham alan meta-sezgisel bir algoritmadır ve optimizasyon problemlerinde yaygın olarak kullanılmaktadır. Bu araştırmanın amacı TD için en bilgilendirici özelliklerin seçilmesinde PSO'nun etkinliğini araştırmak, böylece doğruluğu artırmak ve hesaplama karmaşıklığını azaltmaktır. Rastgele Orman (RF), K-En Yakın Komşular (KNN), Karar Ağacı (DT), Çok Terimli Naif Bayes (MNB), Lojistik Regresyon (LR), Doğrusal Destek Vektör Makinesi (Doğrusal SVM) dahil olmak üzere çeşitli makine öğrenme modellerini kullanarak deneyler yaptık. ) ve Radyal Temel Fonksiyonlu Destek Vektör Makinesi (SVM-RBF). Deneysel sonuçlar, TD için özellik seçiminde PSO'nun önemli etkisini göstermektedir. PSO'yu uygulayarak, seçilen özelliklerin ağ trafiğini sınıflandırmak için daha ayırt edici bilgiler sağlaması nedeniyle doğrulukta iyileşmeler gözlemledik. RF modeli en yüksek doğruluğu elde etti ve onu DT ve KNN modelleri takip etti. Üstelik PSO, ilgili özelliklerin bir alt kümesini seçerek modellerin hesaplama karmaşıklığını azalttı ve bu da eğitim sürelerinin kısalmasını sağladı.
Özet (Çeviri)
Threat Detection play a vital role in safeguarding computer networks against cyber threats. One critical aspect of TD is the selection of relevant features to accurately classify network traffic as normal or malicious. In this thesis, we propose the utilization of Particle Swarm Optimization (PSO) as a feature selection technique to enhance the performance of TD. PSO is a metaheuristic algorithm inspired by the collective behavior of bird flocking and has been widely used in optimization problems. The objective of this research is to investigate the effectiveness of PSO in selecting the most informative features for TD, thereby improving accuracy and reducing computational complexity. We conducted experiments using various machine learning models, including Random Forest (RF), K-Nearest Neighbors (KNN), Decision Tree (DT), Multinomial Naive Bayes (MNB), Logistic Regression (LR), Linear Support Vector Machine (Linear SVM), and Support Vector Machine with Radial Basis Function (SVM-RBF). The experimental results demonstrate the significant impact of PSO in feature selection for TD. By applying PSO, we observed improvements in accuracy, as the selected features provided more discriminative information for classifying network traffic. The RF model achieved the highest accuracy, closely followed by DT and KNN models. Moreover, PSO reduced the computational complexity of the models by selecting a subset of relevant features, resulting in shorter training times.
Benzer Tezler
- Enhancing breast cancer detection with a hybrid machine learning approach
Hı̇brı̇t makı̇ne öğrenme yaklaşımı ı̇le göğüs kanserı̇ tespı̇tı̇nı̇n gelı̇ştı̇rı̇lmesı̇
MUSTAFA ETCİL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURCU GÜNGÖR
PROF. DR. V. CAGRİ GÜNGÖR
- Araçların internetinde (IOV) ağ güvenliğini sağlayacak makine öğrenme yöntemlerine dayalı sağlam bir saldırı tespit sistemi
A robust intrusion detection system based on machine learning methods for ensuring network security in the internet of vehicles (IOV)
MAMADOU KORKA DIALLO
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiKocaeli ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZHAN KARAHAN
- Audıo deep fake detectıon usıng deep learnıng
Derin öğrenme kullanarak ses derin sahtekarı algılama
OUSAMA A SHAABAN
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği ve Enformatik Bilimler Ana Bilim Dalı
Prof. Dr. REMZİ YILDIRIM
- Derin öğrenme tabanlı nesne tespit modelleri ile akıllı gözetim sistemleri için silah ve silahlı insan algılama
Weapon and armed person detection for intelligent surveillance systems using deep learning-based object detection models
KADİR TEKİNDOR
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma TeknolojileriKırıkkale ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ENES AYAN
- Bazı tarla bitkilerinde yabancı ot tespitinde insansız hava aracı tabanlı ortofoto kullanımı
Detecti̇on of weed by using orthophoto based uav i̇n some field crops
MEHMET HALİT AKKUŞ
Yüksek Lisans
Türkçe
2026
ZiraatDicle ÜniversitesiTarla Bitkileri Ana Bilim Dalı
PROF. DR. SEMA BAŞBAĞ
DOÇ. DR. NİZAR POLAT