Enhancing Network Security: A Comprehensive Analysis of Intrusion Detection Systems

Murat Koca; İsa Avcı

Makale detayları

Enhancing Network Security: A Comprehensive Analysis of Intrusion Detection Systems

Yazarlar:

Murat Koca | İsa Avcı

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Bilgi Sistemleri Eğitimi

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.29 Issue 3, pp.927-938

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001338129

pISSN:

1300-5413

Anahtar kelimeler:

Özet:

 Given the increasing complexity and progress of intrusion attacks, effective intrusion detection systems have become crucial to protecting networks. Machine learning methods have become a potential strategy for identifying and reducing such attacks. This paper has conducted a comprehensive analysis of intrusion detection using machine learning methodologies. The aim is to thoroughly examine the current state of research, identify the barriers, and highlight potential solutions in this field. The study begins by analyzing the importance of intrusion detection and the limitations of traditional rule-based systems. Afterward, it explores the underlying principles and concepts of machine learning and how they are practically applied in the field of intrusion detection. This paper provides a comprehensive analysis of different machine learning algorithms, such as decision trees, neural networks, support vector machines, and ensemble methods. The primary objective of this study is to assess the effectiveness and limitations of employing these techniques for identifying various forms of intrusions. Three algorithms are used to classify the NSL-KDD dataset, namely Cascade Backpropagation Neural Networks CBPNN, Layered Recurrent Neural Networks LRNN, and Forward-Backward Propagation Neural Networks FBPNN. Results have shown that CBPNN outperformed by achieving 95 accuracy.

 Given the increasing complexity and progress of intrusion attacks, effective intrusion detection systems have become crucial to protecting networks. Machine learning methods have become a potential strategy for identifying and reducing such attacks. This paper has conducted a comprehensive analysis of intrusion detection using machine learning methodologies. The aim is to thoroughly examine the current state of research, identify the barriers, and highlight potential solutions in this field. The study begins by analyzing the importance of intrusion detection and the limitations of traditional rule-based systems. Afterward, it explores the underlying principles and concepts of machine learning and how they are practically applied in the field of intrusion detection. This paper provides a comprehensive analysis of different machine learning algorithms, such as decision trees, neural networks, support vector machines, and ensemble methods. The primary objective of this study is to assess the effectiveness and limitations of employing these techniques for identifying various forms of intrusions. Three algorithms are used to classify the NSL-KDD dataset, namely Cascade Backpropagation Neural Networks CBPNN, Layered Recurrent Neural Networks LRNN, and Forward-Backward Propagation Neural Networks FBPNN. Results have shown that CBPNN outperformed by achieving 95 accuracy.

 Given the increasing complexity and progress of intrusion attacks, effective intrusion detection systems have become crucial to protecting networks. Machine learning methods have become a potential strategy for identifying and reducing such attacks. This paper has conducted a comprehensive analysis of intrusion detection using machine learning methodologies. The aim is to thoroughly examine the current state of research, identify the barriers, and highlight potential solutions in this field. The study begins by analyzing the importance of intrusion detection and the limitations of traditional rule-based systems. Afterward, it explores the underlying principles and concepts of machine learning and how they are practically applied in the field of intrusion detection. This paper provides a comprehensive analysis of different machine learning algorithms, such as decision trees, neural networks, support vector machines, and ensemble methods. The primary objective of this study is to assess the effectiveness and limitations of employing these techniques for identifying various forms of intrusions. Three algorithms are used to classify the NSL-KDD dataset, namely Cascade Backpropagation Neural Networks CBPNN, Layered Recurrent Neural Networks LRNN, and Forward-Backward Propagation Neural Networks FBPNN. Results have shown that CBPNN outperformed by achieving 95 accuracy.

 Siber saldırılarının artan karmaşıklığı ve ilerlemesi göz önüne alındığında, etkili saldırı tespit sistemlerinin varlığı ağ güvenliğinin önemli bir bileşeni haline gelmiştir. Makine öğrenimi yöntemleri, bu tür saldırıları belirlemek ve azaltmak için potansiyel bir strateji haline gelmiştir. Bu makale, makine öğrenimi tekniklerini kullanarak saldırı tespitinin kapsamlı bir incelemesini gerçekleştirmiştir. Amaç, mevcut araştırma durumunun kapsamlı bir analizini sunmak, engelleri belirlemek ve bu alandaki olası çözümleri vurgulamaktır. Makale, saldırı tespitinin önemini ve geleneksel kural tabanlı sistemlerin kısıtlamalarını inceleyerek başlamaktadır. Ardından, makine öğreniminin temel fikirleri ve kavramları ile saldırı tespiti alanındaki pratik uygulamalarına derinlemesine inmektedir. Bu çalışmada, karar ağaçları, sinir ağları, destek vektör makineleri ve topluluk yöntemleri dahil olmak üzere çeşitli makine öğrenimi algoritmalarının kapsamlı bir incelemesi sunulmaktadır. Bu çalışmanın temel amacı, farklı saldırı türlerini tespit etmek için bu yöntemleri kullanmanın etkinliğini ve kısıtlamalarını incelemektir. NSL-KDD veri setini sınıflandırmak için üç algoritma kullanılmıştır: Basamaklı Geri Yayılımlı Sinir Ağları CBPNN, Katmanlı Tekrarlayan Sinir Ağı LRNN ve İleri-Geri Yayılımlı Sinir Ağları FBPNN. Yapılan çalışma sonucunda, CBPNNnin 95 doğruluk elde ederek daha iyi performans gösterdiğini göstermiştir.

Makale detayları

Enhancing Network Security: A Comprehensive Analysis of Intrusion Detection Systems

Yazarlar:

Murat Koca | İsa Avcı

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Bilgi Sistemleri Eğitimi

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.29 Issue 3, pp.927-938

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001338129

pISSN:

1300-5413

CBPNN

Cyber security

FBPNN

Intrusion detection systems (IDS)

Logistic regression

Machine learningCBPNN

FBPNN

Lojistik regresyon

Makine öğrenmesi

Saldırı tespit sistemleri (IDS)

Siber güvenlik

Sayı

Makale detayları

Yazarlar: Murat Koca | İsa Avcı

Yayıncı: Van Yuzuncu Yıl University

Ana Başlıklar: Bilgi Güvenliği Yönetimi | Bilgi Sistemleri Eğitimi

Dergi: Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.29 Issue 3, pp.927-938

Belge Tipi: Makale

Yayın Tarihi: 12/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001338129

pISSN: 1300-5413

Sayı

Yazarlar:

Murat Koca | İsa Avcı

Yayıncı:

Van Yuzuncu Yıl University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Bilgi Sistemleri Eğitimi

Dergi:

Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Dergisi Vol.29 Issue 3, pp.927-938

Belge Tipi:

Makale

Yayın Tarihi:

12/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001338129

pISSN:

1300-5413