Year: 2020
Type: dissertation
Abstract: Bilgisayarların üstün işlem yeteneklerinin yanı sıra insan kaynaklı hata oranını düşürmesi yaygın kullanıma sebep olmuş, bilgisayar kullanımı ile miktarı artan verilerin iletimini kolaylaştırmak amacıyla bilgisayar ağları oluşturulmuştur. Bilgisayar ağları üzerindeki kritik veriler zaman içerisinde saldırganların hedefi haline gelmiştir. Bu durum siber güvenlik kavramının ortaya çıkmasına neden olmuştur. Bilgisayar ağlarını saldırılardan korumak amacıyla çeşitli yöntemler geliştirilse de zaman içerisinde bunların yeni saldırı türleri karşısında yetersiz kaldığı durumlar oluşmuştur. Yapay Zekâ ve Makine Öğrenmesi algoritmaları eğitilebilen sistemlerin tasarımında sıklıkla kullanılmaktadır. Birden çok doğrusal olmayan dönüşümden oluşan mimarileri kullanan bir Makine Öğrenmesi algoritması olan Derin Öğrenme ise yüksek işlem gücüne sahip bilgisayarlar ile diğer yöntemlerden daha yüksek başarı sağlamaktadır. Derin Öğrenme algoritmalarının popülerleşmesiyle birlikte birçok farklı alanda geliştirilmiş uygulamaya rastlanmaktadır. Bu tez çalışmasında siber güvenlik alanında Derin Öğrenme uygulaması geliştirilerek bilgisayar ağları için Saldırı Tespit Sistemi tasarlanması amaçlanmıştır. Tezi geliştirmek için güncel veri kümesi olan CSE-CIC-IDS2018 kullanılmıştır. Çalışma yapılacak veri kümesi dengesiz dağılımlı olduğundan sentetik veri üretimi / veri örnekleme işlemleri gerçekleştirilmiş ve veriler arasındaki dengesizlik çözülmüştür. Öncelikle AdaBoost, Karar Ağacı, Rastgele Orman, K-En Yakın Komşu, Gradyan Arttırma, Doğrusal Ayrımcılık Analizi ve Naive Bayes Makine Öğrenmesi algoritmaları kullanılarak veri kümesindeki başarım oranı hem orijinal hem de örneklenmiş veri kümesinde incelenmiştir. Bunun sonucunda AdaBoost en başarılı algoritma olurken, süre ve başarım açısından Karar Ağacı algoritmasının daha tercih edilebilir olduğu görülmüştür. Ayrıca Naive Bayes algoritması ile oldukça düşük sonuçlara ulaşılmıştır ve bunun sonucunda veri kümesinin normal dağılımlı olmadığı görülmüştür. Bunun ardından Derin Öğrenme algoritmaları çalıştırılmıştır. Derin Öğrenme ile sistemin yeni tür saldırılara karşı başarılı olması sağlanarak, azınlık sınıfların tespit edilmesi ve bu algoritmaların öğrenebilme yeteneği ile daha önce karşılaşılmamış saldırı türlerine karşı da tespit gerçekleştirilebilmesi hedeflenmiştir. Bu işlemleri yapabilmek için güncel veri kümesi kullanılmıştır.Konvolüsyonel Sinir Ağları, Tekrarlayan Sinir Ağları, Çift Yönlü Tekrarlayan Sinir Ağları, Uzun Kısa Vadeli Hafıza Ağları, Çift Yönlü Uzun Kısa Vadeli Hafıza Ağları, Konvolüsyonel Uzun Kısa Vadeli Hafıza Ağları, Geçitli Tekrarlayan Sinir Ağları ve Derin Oto-Kodlayıcı Derin Öğrenme algoritmaları orijinal ve örneklenmiş veri kümesi ile çalıştırıldığında örneklenmiş veri kümesi ile azınlık sınıfların tespitinde yüksek başarım oranı elde edilmiştir. Derin Öğrenme algoritmaları tek katman, iki katman ve üç katman şeklinde düzenlenerek farklı katmanlardaki sonuçları da incelenmiştir. Ancak veri kümesinin normal dağılımlı olmaması sonucunda Makine Öğrenmesi algoritmaları kadar yüksek bir orana ulaşılmamış, bu da Derin Öğrenme algoritmalarının normal dağılımlı olmayan veri kümeleri ile çok uyumlu çalışamadığını göstermiştir. Genel doğruluk oranları incelendiğinde Uzun Kısa Vadeli Hafıza Ağları ile Çift Yönlü Uzun Kısa Vadeli Hafıza Ağlarının azınlık sınıfların tespitinde oldukça başarılı olduğu görülmüştür. Derin Öğrenme algoritmalarının siber güvenlik alanında sentetik veri üretimi ile kullanımıyla ilgili kısıtlı sayıda çalışma vardır. Yapılan tez ayrıca bu alanda öncü çalışmalardan olmuştur.
Author: Karataş, Gözde
Institution: Marmara University
Language: Turkish
Subfield: Computer Networks and Communications
Field: Computer Science
Domain: Physical Sciences
Keywords: intrusion detection, deep learning, CSE-CIC-IDS2018, network security, class imbalance, synthetic data generation, oversampling, undersampling, AdaBoost, decision tree, random forest, k-nearest neighbors, gradient boosting, linear discriminant analysis, naive Bayes, ensemble classifiers, network traffic classification, false positive rate
Open Access status: green
OpenAlex ID: W6999762952
