Veri setine uygulanan ön işlemler ile makine öğrenimi yöntemi kullanılarak geliştirilen saldırı tespit modellerinin performanslarının arttırılması

Esen Gül İlgün; Refik Samet

Makale detayları

Veri setine uygulanan ön işlemler ile makine öğrenimi yöntemi kullanılarak geliştirilen saldırı tespit modellerinin performanslarının arttırılması

Yazarlar:

Esen Gül İlgün | Refik Samet

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.679-692

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301397

pISSN:

1300-1884

Anahtar kelimeler:

Özet:

 Son yıllarda yapay zekâ teknikleri kullanılarak geliştirilen siber saldırılar sızdıkları sistemin kullanıcı davranışlarını öğrenerek sisteme başarılı bir şekilde entegre olabilmekte ve bu sayede geleneksel güvenlik yazılımları tarafından tespit edilememektedir. Çeşidi ve sayısı hızla artan bu tür siber saldırılar anomali tabanlı Saldırı Tespit Sistemleri STS tarafından tespit edilebilmektedir. Ancak bu tür STSlerin performansları yeterli olmadığı için STSlerin performanslarının iyileştirilmesi ile ilgili yapılan araştırmaların önemi de artmaktadır. Bu çalışmada, anomali tabanlı saldırı tespit modellerinin tespit hızını ve doğruluğunu arttırmak için dört aşamalı bir metodoloji önerilmiştir. Bu metodoloji kapsamında kullanılan NSL-KDD veri setine ilk önce ön işlem uygulanmadan, daha sonra sırasıyla kategorik veri kodlama, ölçeklendirme, hibrit öznitelik seçimi ön işlemleri ayrı ayrı ve birlikte uygulanarak farklı veri setleri elde edilmiştir. Elde edilen veri setleri ve K-Nearest Neighbor KNN, Multi Layer Perceptron MLP, Random Forest RF, eXtreme Gradient Boosting XGBoost, Light Gradient Boosting Machine LightGBM makine öğrenimi algoritmaları kullanılarak çok sayıda saldırı tespit modeli oluşturulmuştur. Son olarak en başarılı sonuçların elde edildiği modellerde hiper-parametre optimizasyonu yapılarak modellerin performansları iyileştirilmiştir. Çalışmanın sonunda eğitim veri seti üzerinde 0,373 s sürede 96,1 saldırı tespit başarısına, test veri seti üzerinde ise 0,005 s sürede 100 saldırı tespit başarısına ulaşılmıştır.

 Son yıllarda yapay zekâ teknikleri kullanılarak geliştirilen siber saldırılar sızdıkları sistemin kullanıcı davranışlarını öğrenerek sisteme başarılı bir şekilde entegre olabilmekte ve bu sayede geleneksel güvenlik yazılımları tarafından tespit edilememektedir. Çeşidi ve sayısı hızla artan bu tür siber saldırılar anomali tabanlı Saldırı Tespit Sistemleri STS tarafından tespit edilebilmektedir. Ancak bu tür STSlerin performansları yeterli olmadığı için STSlerin performanslarının iyileştirilmesi ile ilgili yapılan araştırmaların önemi de artmaktadır. Bu çalışmada, anomali tabanlı saldırı tespit modellerinin tespit hızını ve doğruluğunu arttırmak için dört aşamalı bir metodoloji önerilmiştir. Bu metodoloji kapsamında kullanılan NSL-KDD veri setine ilk önce ön işlem uygulanmadan, daha sonra sırasıyla kategorik veri kodlama, ölçeklendirme, hibrit öznitelik seçimi ön işlemleri ayrı ayrı ve birlikte uygulanarak farklı veri setleri elde edilmiştir. Elde edilen veri setleri ve K-Nearest Neighbor KNN, Multi Layer Perceptron MLP, Random Forest RF, eXtreme Gradient Boosting XGBoost, Light Gradient Boosting Machine LightGBM makine öğrenimi algoritmaları kullanılarak çok sayıda saldırı tespit modeli oluşturulmuştur. Son olarak en başarılı sonuçların elde edildiği modellerde hiper-parametre optimizasyonu yapılarak modellerin performansları iyileştirilmiştir. Çalışmanın sonunda eğitim veri seti üzerinde 0,373 s sürede 96,1 saldırı tespit başarısına, test veri seti üzerinde ise 0,005 s sürede 100 saldırı tespit başarısına ulaşılmıştır.

 Son yıllarda yapay zekâ teknikleri kullanılarak geliştirilen siber saldırılar sızdıkları sistemin kullanıcı davranışlarını öğrenerek sisteme başarılı bir şekilde entegre olabilmekte ve bu sayede geleneksel güvenlik yazılımları tarafından tespit edilememektedir. Çeşidi ve sayısı hızla artan bu tür siber saldırılar anomali tabanlı Saldırı Tespit Sistemleri STS tarafından tespit edilebilmektedir. Ancak bu tür STSlerin performansları yeterli olmadığı için STSlerin performanslarının iyileştirilmesi ile ilgili yapılan araştırmaların önemi de artmaktadır. Bu çalışmada, anomali tabanlı saldırı tespit modellerinin tespit hızını ve doğruluğunu arttırmak için dört aşamalı bir metodoloji önerilmiştir. Bu metodoloji kapsamında kullanılan NSL-KDD veri setine ilk önce ön işlem uygulanmadan, daha sonra sırasıyla kategorik veri kodlama, ölçeklendirme, hibrit öznitelik seçimi ön işlemleri ayrı ayrı ve birlikte uygulanarak farklı veri setleri elde edilmiştir. Elde edilen veri setleri ve K-Nearest Neighbor KNN, Multi Layer Perceptron MLP, Random Forest RF, eXtreme Gradient Boosting XGBoost, Light Gradient Boosting Machine LightGBM makine öğrenimi algoritmaları kullanılarak çok sayıda saldırı tespit modeli oluşturulmuştur. Son olarak en başarılı sonuçların elde edildiği modellerde hiper-parametre optimizasyonu yapılarak modellerin performansları iyileştirilmiştir. Çalışmanın sonunda eğitim veri seti üzerinde 0,373 s sürede 96,1 saldırı tespit başarısına, test veri seti üzerinde ise 0,005 s sürede 100 saldırı tespit başarısına ulaşılmıştır.

 Son yıllarda yapay zekâ teknikleri kullanılarak geliştirilen siber saldırılar sızdıkları sistemin kullanıcı davranışlarını öğrenerek sisteme başarılı bir şekilde entegre olabilmekte ve bu sayede geleneksel güvenlik yazılımları tarafından tespit edilememektedir. Çeşidi ve sayısı hızla artan bu tür siber saldırılar anomali tabanlı Saldırı Tespit Sistemleri STS tarafından tespit edilebilmektedir. Ancak bu tür STSlerin performansları yeterli olmadığı için STSlerin performanslarının iyileştirilmesi ile ilgili yapılan araştırmaların önemi de artmaktadır. Bu çalışmada, anomali tabanlı saldırı tespit modellerinin tespit hızını ve doğruluğunu arttırmak için dört aşamalı bir metodoloji önerilmiştir. Bu metodoloji kapsamında kullanılan NSL-KDD veri setine ilk önce ön işlem uygulanmadan, daha sonra sırasıyla kategorik veri kodlama, ölçeklendirme, hibrit öznitelik seçimi ön işlemleri ayrı ayrı ve birlikte uygulanarak farklı veri setleri elde edilmiştir. Elde edilen veri setleri ve K-Nearest Neighbor KNN, Multi Layer Perceptron MLP, Random Forest RF, eXtreme Gradient Boosting XGBoost, Light Gradient Boosting Machine LightGBM makine öğrenimi algoritmaları kullanılarak çok sayıda saldırı tespit modeli oluşturulmuştur. Son olarak en başarılı sonuçların elde edildiği modellerde hiper-parametre optimizasyonu yapılarak modellerin performansları iyileştirilmiştir. Çalışmanın sonunda eğitim veri seti üzerinde 0,373 s sürede 96,1 saldırı tespit başarısına, test veri seti üzerinde ise 0,005 s sürede 100 saldırı tespit başarısına ulaşılmıştır.

Makale detayları

Veri setine uygulanan ön işlemler ile makine öğrenimi yöntemi kullanılarak geliştirilen saldırı tespit modellerinin performanslarının arttırılması

Yazarlar:

Esen Gül İlgün | Refik Samet

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.679-692

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301397

pISSN:

1300-1884

Saldırı tespit modelleri

ön işlemler

saldırı tespit performansı

makine öğrenimi

hiper-parametre optimizasyonu.

Sayı

Makale detayları

Veri setine uygulanan ön işlemler ile makine öğrenimi yöntemi kullanılarak geliştirilen saldırı tespit modellerinin performanslarının arttırılması

Yazarlar: Esen Gül İlgün | Refik Samet

Yayıncı: Gazi University

Ana Başlıklar: Mühendislik

Dergi: Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.679-692

Belge Tipi: Makale

Yayın Tarihi: 11/2023

Belge Dili: Türkçe

Document ID (Org No.): 2001301397

pISSN: 1300-1884

Saldırı tespit modelleri

ön işlemler

saldırı tespit performansı

makine öğrenimi

hiper-parametre optimizasyonu.

Sayı

Yazarlar:

Esen Gül İlgün | Refik Samet

Yayıncı:

Gazi University

Ana Başlıklar:

Mühendislik

Dergi:

Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi Vol.39 Issue 2, pp.679-692

Belge Tipi:

Makale

Yayın Tarihi:

11/2023

Belge Dili:

Türkçe

Document ID (Org No.):

2001301397

pISSN:

1300-1884