Bilgisayar ağlarında makine öğrenimi algoritmalarını kullanarak izinsiz giriş tespiti

Abstract

İzinsiz giriş tespit sistemi, bilgisayar ağlarında güvenlik tehditlerini algılamak veönlemek amacıyla kullanılmaktadır. Saldırıları tespit etmek ve tanımlamak için,hesaplamaların hacmini azaltmak amacıyla tanılama sürecinde yararlı olan uygunözelliklerin seçilmesi gerekmektedir. Uygun özelliklerin seçimi, sınıflandırmaalgoritmalarının uygulanması için yer ve zaman yükünü azaltmaktadır. Bu tezçalışmasında uygun özelliklerin seçimi için K en yakın komşu algoritması, örneklerinsınıflandırılması için ise destek vektör makinesi kullanılmıştır. Destek vektör makinesiverileri önceden belirlenmiş kategorilere göre yeni bir alana almakta, böylece verilerdoğrusal olarak (veya hiper düzlemle (Hyper Plane)) kategorilere ayrılabilmektedir. Butez çalışmasında 41 özellik içeren KDD99 veri tabanı kullanılmıştır. Sonuçlar, doğrulukve DR değerinin sırasıyla 92.61 ve 92.06 olduğunu göstermektedir. Ayrıca, FAR değeri100 tekrar ile karşılaştırıldığında 200 tekrar durumundan daha az bulunmuştur.Anahtar Kelimeler: İzinsiz giriş algılama sistemi, özellik seçimi, destek vektörmakinesi, K en yakın komşu algoritması

The detection system is used to identify and prevent computer network securitythreats. The selection of proper and useful features in the intrusion detection system isone of the most important issues. Selecting features will reduce the space and timeburden for the implementation of classification algorithms. In this thesis, the closestneighbor of the K algorithm is used for property selection. In order to identify andidentify attacks, it is necessary to select important features that are useful in thediagnostic process in order to reduce the volume of calculations. A support vectormachine is also used to classify instances. The support vector machine takes the data ina new area according to the predetermined categories so that the data can be dividedinto categories linearly (or hyperplane) (Hyper Plane). In this thesis, KDD99 databasecontaining 41 features is used. The results show that accuracy and DR values are 92.61and 92.06, respectively. Also, the FAR value is less than 200 cases compared to 100replicates.Keywords: Intrusion detection system, Feature selection, support vector machine, Knearest neighbors.