A comparative study of neural network approaches in network anomaly detection

Abstract

Ağ saldırı tespit sistemleri günümüz bilişim sistemlerinde kritik bir yer teşkil ederken önemli bir araştırma alanı olarak yükselmeye ve yapay sinir ağlarının kullanımı bu alanda giderek daha popüler hale gelmeye başlamıştır. Buna rağmen, bu alanda yapay sinir ağı mimarileri ve bu mimarilerin bileşen parametreleri hakkında kapsamlı bir karşılaştırmalı çalışmasının eksikliği vardır. Bu çalışmada, ağ saldırı tespit sistemleri alanında kullanılan yapay sinir ağları mimarileri ve bu mimarilerin bileşenleri olan optimizasyon fonksiyonları, aktivasyon fonksiyonları, öğrenme kat sayısı ve momentum değişiminin doğruluk ve hatalı uyarı üretme oranlarına göre kıyaslayarak ileride yapılacak olan mühendislik ve akademik çalışmalar için bir temel oluşturması amaçlanmıştır. Bu doğrultuda, 6480 adet yapay sinir ağı oluşturularak kıyaslama veri kümesi olarak kabul edilen KDD99 ve yakın gerçek zamanlı simülasyon ortamı yardımıyla her bir yapay sinir ağı değerlendirilmiştir. Bu tezin, yapay sinir ağları kullanılarak geliştirilecek ağ saldırı tespit sistemleri araştırmalarına rehberlik edecek bir yol haritası sağlayacaktır.

Network intrusion detection is an important research field, and artificial neural net- works have become increasingly popular in this subject. Despite this, the research concerning comparison of artificial neural network architectures in the network in- trusion detection is a relatively insufficient. To make up for this, this study aims to examine the neural network architectures in network intrusion detection to determine which architecture produces high accuracy and low false positive rate, and what are the effects of the architectural components such as optimization functions, activation functions, the momentum of the learning rate. For this purpose, we have generated 6480 neural networks and, we evaluated them KDD99 dataset and, near-real-time simulation environment. This thesis provides a roadmap to guide future research on network intrusion detection using artificial neural networks.