Yazılım tanımlı ağlarda DDoS saldırılarının erken tespiti için derin öğrenme tabanlı bir füzyon yaklaşımı
A deep learni̇ng-based fusi̇on approach for early detecti̇on of DDoS attacks i̇n software-defi̇ned networks
- Tez No: 987413
- Danışmanlar: DOÇ. DR. CEMAL KOÇAK
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde iletişim ağları, hem bireysel kullanıcılardan hem de kurumsal yapılardan gelen yoğun veri akışı nedeniyle her zamankinden daha hareketli ve karmaşık bir hâle gelmiştir. Bu yoğunluk içinde, kötü niyetli kişiler tarafından gerçekleştirilen hizmet durdurma amaçlı saldırılar, ağların çalışmasını aksatabilmekte ve hizmet sürekliliği üzerinde ciddi sorunlara yol açabilmektedir. Özellikle Yazılım Tanımlı Ağlar, yönetim kolaylığı sunan merkezî yapıları nedeniyle bu tür saldırılardan etkilenebilmektedir. Bu durum, ağ trafiğinin dikkatli bir şekilde izlenmesini ve saldırı işaretlerinin mümkün olan en erken aşamada belirlenmesini önemli hâle getirmektedir. Bu çalışmanın temel amacı, Yazılım Tanımlı Ağ ortamlarında görülebilecek hizmet durdurma trafiğini erken dönemde ayırt edebilmek için derin öğrenme yöntemlerinden yararlanan çoklu model yaklaşımı ortaya koymaktır. Bu doğrultuda CIC-DDoS2019 veri setinden alınan örnekler kullanılarak üç farklı model oluşturulmuştur: özelliklere dayalı olarak karar veren Rastgele Orman yöntemi, veri akışı içindeki örüntüleri inceleyen Bir Boyutlu Evrişimsel Sinir Ağı ve zaman içerisindeki değişimleri değerlendirebilen Uzun Kısa Süreli Bellek yapısı. Her bir modelin farklı güçlü yönlere sahip olması nedeniyle, bu modellerin çıktılarını bir araya getiren üç ayrı birleştirme yöntemi uygulanmıştır. Böylece tek bir modele bağlı kalmak yerine, farklı analiz biçimlerinin katkıda bulunduğu daha bütüncül bir yapı elde edilmiştir. Elde edilen bulgular, birleştirme yöntemlerinin tek başına çalışan modellere kıyasla daha dengeli sınıf performansı ve daha yüksek genel başarı sunduğunu göstermektedir. Bu sonuçlar, Yazılım Tanımlı Ağlarda saldırı trafiğinin erken belirlenmesi için çoklu model temelli yaklaşımların uygulanabilir nitelikte olduğunu ortaya koymaktadır.
Özet (Çeviri)
In today's communication networks, the continuous increase in data traffic generated by both individual users and institutional structures has made network environments more dynamic and complex than ever before. Within this dense traffic, service-disrupting attacks carried out by malicious actors can hinder network operations and cause significant problems regarding service continuity. Software-Defined Networks, which offer centralized management and structural flexibility, may also be affected by such attacks due to their architectural characteristics. For this reason, it is essential to monitor network traffic carefully and identify potential attack indicators at the earliest possible stage. The primary aim of this study is to introduce a multi-model approach based on deep learning techniques to detect service-disrupting traffic at an early stage within Software-Defined Network environments. For this purpose, samples obtained from the CIC-DDoS2019 dataset were used to construct three different models: the Rastgele Orman method, which makes decisions based on structured features; a One-Dimensional Convolutional Neural Network, which evaluates local patterns within the traffic flow; and a Long Short-Term Memory network, which analyzes temporal dependencies. Since each model possesses distinct strengths, three different combination strategies were applied to integrate their outputs. Through this approach, a more comprehensive structure was obtained rather than relying on a single model. The findings show that the integration methods provide more balanced class peROormance and higher overall detection success compared to individually trained models. These results indicate that multi-model approaches can offer an effective structure for the early detection of attack traffic in Software-Defined Networks.
Benzer Tezler
- Extended topology analysis of a detection mechanism implementation against botnet based ddos flooding attack in SDN
Yazılım tanımlı ağlarda botnet temelli dağıtık hizmet dışı bırakma saldırılarına karşı bir tespit mekanizmasının genişletilmiş topoloji analizi
EMRE KARAKIŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİzmir Yüksek Teknoloji EnstitüsüBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. YUSUF MURAT ERTEN
DR. EMRAH TOMUR
- Quality of service and DDos attacks detection improvement with deep flows discrimination in SDNS
SDN'de derin akış ayrımcılığı ile hizmet kalitesi ve DDoS saldırılarının tespitinin iyileştirilmesi
RAMIN MOHAMMADI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
PROF. DR. SEDAT AKLEYLEK
DOÇ. DR. ALİ GHAFFARI
- Towards the mıtıgatıon of dıstrıbuted denıal-of-servıce attacks ın kubernetes-managed contaınerızed edge networks
Kubernetes yönetimindeki konteynerleştirilmiş edge ağlarında dağıtılmış hizmet dışı bırakma (DDoS) saldırılarının azaltılmasına doğru
SARP KÖKSAL
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASER DALVEREN
DOÇ. DR. FERHAT ÖZGÜR ÇATAK
- Sdn tabanlı dağıtık saldırı tespit ve önleme sistemi
Sdn based distributed instrusion detection and prevention system
KAAN ÖZDİNÇER
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HACI ALİ MANTAR
- Ddos prediction and mitigation in sdn using artificial neural networks and BMNABC algorithm
Yapay sinir ağları ve BMN-ABC algoritmaları kullanılarak yazılım tabanlı ağlarda ddos saldırılarının tahmini ve azaltılması
ESAM ATEEYAH
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CİHAT ŞEKER