Cyber securıty system for sdn envıronment to detect the dıfferent attacks by utılızed hybrıd method of deep learnıng technıques
Derin öğrenme tekniklerinin hibrit yöntemini kullanarak farklı saldırıları tespit etmek için SDN ortamına yönelik siber güvenlik sistemi
- Tez No: 976656
- Danışmanlar: PROF. DR. OSMAN NURİ UÇAN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çağdaş ağlar, karmaşık ve kitlesel siber tehditlerle saldırılara maruz kaldıkça, geleneksel saldırı tespit sistemleri (IDS) değişen tehditlerle başa çıkamamaktadır. Bu araştırmanın odak noktası bu tür sınırlamalardır ve Yazılım Tanımlı Ağ (SDN) ortamlarında hızlı ve etkili saldırı tespiti için en uygun olan iki yeni derin öğrenme tabanlı çerçeve tanıtılmaktadır: (1) Rekabetçi Öğrenme Tabanlı Çok Dallı Hibrit Mimari ve (2) Çok Dallı Hibrit Algılama Ağı (MBHPN). Bu modeller bir araya geldiğinde, uyarlanabilir öğrenme, gerçek zamanlı entegrasyon ve bağlam analizi yoluyla gelişmiş tehditleri, özellikle Dağıtılmış Hizmet Reddi (DDoS) saldırılarını tespit edebilen akıllı ve ölçeklenebilir bir IDS platformu sunmaktadır. 3. Bölüm'de açıklandığı gibi ilk mimari, çok dallı bir mimaride Evrişimli Sinir Ağları (CNN), Kapsül Ağları ve Uzun Kısa Süreli Bellek (LSTM) katmanlarını birleştirir. CNN'ler uzamsal bağımlılıkları kodlar, Kapsül Ağları özellikler arasındaki hiyerarşik ilişkileri korur ve LSTM'ler trafik akışlarının sıralı davranışlarını tanımlar. Çerçeve ayrıca, saldırıları taklit etmek için saldırgan örneklerin üretildiği ve böylece model sağlamlığının artırıldığı Dinamik Saldırgan Öğrenmeyi de içerir. Her dal, saldırı tespiti için özel olarak tasarlanmış, entegre ve ayırt edici bir özellik alanı oluşturmak üzere dikkat ağırlıklı yöntemler kullanılarak birleştirilen benzersiz bir özellik gösterimi üretir. Bölüm 4'te, bu mimari, doğrudan DDoS saldırı tespiti için optimize edilmiş MBHPN'nin eklenmesiyle zenginleştirilmiştir. Bu ağ, üç derin öğrenme dalını birleştirir: MLP, DenseNet benzeri ve ResNet benzeri birimler. Gürültülü özellikleri aşağı düzenlemek ve ilgili trafik imzalarını yukarı düzenlemek için Dinamik Özellik Uyarlaması (DFA) ekler. Bağımsız örnekler yerine toplu trafik akışlarını işlemek için Çoklu Örnek Öğrenmesi (MIL) ekler ve böylece bağlamsal algıyı büyük ölçüde geliştirir. Bu iyileştirmeler, MBHPN'yi sınıf dengesizliğine, kaçınma saldırılarına ve gerçek ağlarda yaygın olan değişen saldırı kalıplarına karşı dayanıklı hale getirir. Modeller, çeşitli trafik kalıpları ve saldırı koşulları içeren UNSW-NB15, CICIDS2017 ve CSE-CIC-IDS2018 olmak üzere üç saldırı tespit kıyaslama veri kümesi üzerinde eğitilmiş ve test edilmiştir. Kapsamlı deneylerle kanıtlanan modeller, mevcut durumdan daha iyi performans göstermektedir. UNSW-NB15 veri kümesinde MBHPN, %99,31 doğruluk, %98,02 hassasiyet, %98,87 geri çağırma ve %98,44'lük bir F1 puanı bildirmektedir; yanlış pozitif oranı (FPR), temel modelin orijinal %1,12 FPR'sinden %0,61'e düşmüştür. Çıkarım için gereken süre 7,8 ms'den 5,3 ms'ye düşürülmüştür; bu da SDNetc entegrasyonundan kaynaklanan hızda %32'lik bir artışı yansıtmaktadır.
Özet (Çeviri)
As contemporary networks come under attack with sophisticated and mass-scale cyber-threats, traditional intrusion detection systems (IDS) are unable to cope with changing threats. Such limitations are the focus of this research, and two new deep learning-based frameworks are introduced, which are best suited for fast and effective intrusion detection in Software-Defined Network (SDN) environments: (1) the Adversarial Learning-based Multi-Branched Hybrid Architecture and (2) the Multi-Branched Hybrid Perceptron Network (MBHPN). Together, these models offer an intelligent and scalable IDS platform that can detect advanced threats, in particular Distributed Denial of Service (DDoS) attacks, through adaptive learning, real-time integration, and context analysis. The first architecture, as explained in Chapter 3, combines Convolutional Neural Networks (CNN), Capsule Networks, and Long Short-Term Memory (LSTM) layers in a multi-branch architecture. CNNs encode spatial dependencies, Capsule Networks preserve hierarchical relations among features, and LSTMs describe sequential behaviors of traffic flows. The framework also incorporates Dynamic Adversarial Learning, where adversarial samples are produced to mimic attacks, thus enhancing model robustness. Each branch produces a unique feature representation, which is combined using attention-weighted methods to create an integrated, discriminative feature space tailored for intrusion detection. In Chapter 4, this architecture is enriched by the addition of MBHPN, which is directly optimized for DDoS attack detection. This network combines three deep learning branches: MLP, DenseNet-like, and ResNet-like units. It adds Dynamic Feature Adaptation (DFA) to down-regulate noisy features and up-regulate pertinent traffic signatures. Multi-instance Learning (MIL) to process aggregated traffic flows instead of standalone instances, and thus greatly enhances contextual perception. These improvements make MBHPN robust against class imbalance, evasion attacks, and changing attack patterns prevalent in actual networks. The models are trained and tested on three intrusion detection benchmark datasets: UNSW-NB15, CICIDS2017, and CSE-CIC-IDS2018, which contain varied traffic patterns and attack conditions. Proven through extensive experimentation, the models outperform the current state of affairs. On the UNSW-NB15 dataset, MBHPN reports 99.31% accuracy, 98.02% precision, 98.87% recall, and an F1-score of 98.44% with a false positive ratio (FPR) decreased to 0.61% from the original 1.12% FPR of the base model. The time taken for inference reduced from 7.8 ms to 5.3 ms, which reflects a 32% boost in speed from SDNetc integration.
Benzer Tezler
- Yazılım tanımlı ağların güvenliği için yapay zekâ tabanlı bir yaklaşım
An artificial intelligence based approach for the security of software defined networks
MUHAMMET FATİH AKBAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ CENGİZ GÜNGÖR
DR. ÖĞR. ÜYESİ ENİS KARAARSLAN
- Yazılım tanımlı ağlarda ağ trafiğine duyarlı bir yaklaşım ile otonom saldırı tespit ve önleme modeli
Autonomous attack detection and mitigation model by network traffic aware approach in software defined networks
ÖZGÜR TONKAL
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN POLAT
- Yazılım tanımlı ağlar ve nesnelerin interneti temelli akıllı şebekelerde anomali tespiti
Anomaly detection in smart grids based on software-defined networks and the internet of things
HİLAL YILDIZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSA BALTA
- Yazılım tanımlı ağ temelli saldırı tespit ve önleme sistemi geliştirme
Software defined network based intrusion detection and prevention system development
SAİT MELİH DOĞAN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ALKAN
- Network intrusion detection system using hybrid deeplearning approaches in software defined networking
Yazılım tanımlı ağlarda hibrit derin öğrenme yaklaşımlarıkullanılarak ağ saldırı tespit sistemi
RACHID BEN SAID
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. İMAN ASKERBEYLİ