SUPERVISED MACHINE LEARNING-BASED CLASSIFICATION OF NETWORK THREATS/ATTACKS AGAINST COMPUTER SYSTEMS

Ercan KURU; Tolga ÖNEL; Mehmet Bilge Kağan ÖNAÇAN; Musa MİLLİ

Makale detayları

SUPERVISED MACHINE LEARNING-BASED CLASSIFICATION OF NETWORK THREATS/ATTACKS AGAINST COMPUTER SYSTEMS

Yazarlar:

Ercan KURU | Tolga ÖNEL | Mehmet Bilge Kağan ÖNAÇAN | Musa MİLLİ

Yayıncı:

Millî Savunma Üniversitesi

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Journal of Naval Sciences and Engineering 2022 Vol.18 Issue 1, pp.31-59

Belge Tipi:

Makale

Yayın Tarihi:

3/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000488994

Sıklık:

İki Yıllık

pISSN:

1304-2025

Özet:

 

With the developing technology, number of people who use computers are increasing nowadays. This increase in computer usage causes an increase in the variety of attacks and the number of attacks against computer systems. This situation reveals the importance of the protection of data processed on the computers and the concept of information security. Thanks to the intrusion detection systems, which have an important place in the protection of computer systems, attacks against computers and computer networks can be detected before they affect systems. Considering the increasing variety of attacks, the development of machine learning-based attack detection systems has been the subject of many studies recently. Although supervised and unsupervised machine learning have separate features, they make different contributions to the areas in which they are used. Within the scope of this study, NSL KDD data set, one of the most frequently used data sets in previous studies to simulate network traffic, was applied to a number of supervised and unsupervised learning algorithms in the WEKA application. When the results are evaluated under certain criteria, it has been determined that supervised learning algorithms give more accurate results, where unsupervised learning algorithms give faster results in the detection of attacks.

 

Gelişen teknoloji ile birlikte günümüzde bilgisayar kullananların sayısı artmaktadır. Bilgisayar kullanımındaki bu artış, bilgisayar sistemlerine yönelik saldırıların çeşitliliğinin ve sayılarının artmasına neden olmaktadır. Bu durum, bilgisayarlarda işlenen verilerin korunmasının ve bilgi güvenliği kavramının önemini ortaya koymaktadır. Bilgisayar sistemlerinin korunmasında önemli bir yere sahip olan saldırı tespit sistemlerinin çalışma prensibi sayesinde bilgisayarlara ve bilgisayar ağlarına yönelik saldırılar sistemleri etkilemeden tespit edilebilmektedir. Artan saldırı çeşitliliği göz önüne alındığında, yapay öğrenme ile saldırı tespit sistemlerinin geliştirilmesi son zamanlarda birçok araştırmaya konu olmuştur. Denetimli ve denetimsiz yapay öğrenme ayrı özelliklere sahip olsa da kullanıldıkları alanlara farklı katkılar sağlamaktadırlar. Bu çalışma kapsamında, WEKA uygulaması kullanılarak bir takım denetimli ve denetimsiz öğrenme algoritmaları, ağ trafiğini simüle etmek için önceki çalışmalarda en sık kullanılan veri setlerinden biri olan NSL KDD veri setine uygulanmıştır. Sonuçlar değerlendirildiğinde, saldırı tespitinde denetimli öğrenme algoritmalarının daha doğru, denetimsiz öğrenme algoritmalarının ise daha hızlı sonuç verdiği tespit edilmiştir.

Makale detayları

SUPERVISED MACHINE LEARNING-BASED CLASSIFICATION OF NETWORK THREATS/ATTACKS AGAINST COMPUTER SYSTEMS

Yazarlar: Ercan KURU | Tolga ÖNEL | Mehmet Bilge Kağan ÖNAÇAN | Musa MİLLİ

Yayıncı: Millî Savunma Üniversitesi

Ana Başlıklar: Uygulamalı fizik

Dergi: Journal of Naval Sciences and Engineering 2022 Vol.18 Issue 1, pp.31-59

Belge Tipi: Makale

Yayın Tarihi: 3/2022

Belge Dili: İngilizce

Document ID (Org No.): 2000488994

Sıklık: İki Yıllık

pISSN: 1304-2025

Sayı

Yazarlar:

Ercan KURU | Tolga ÖNEL | Mehmet Bilge Kağan ÖNAÇAN | Musa MİLLİ

Yayıncı:

Millî Savunma Üniversitesi

Ana Başlıklar:

Uygulamalı fizik

Dergi:

Journal of Naval Sciences and Engineering 2022 Vol.18 Issue 1, pp.31-59

Belge Tipi:

Makale

Yayın Tarihi:

3/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000488994

Sıklık:

İki Yıllık

pISSN:

1304-2025