Makine Öğrenme Algoritmalarını Kullanarak Ağ Trafiğinin Sınıflandırılması
dc.contributor.advisor | Özyer, Tansel | |
dc.contributor.author | Yiğidim, Hüseyin Ahmet | |
dc.date.accessioned | 2021-05-08T11:22:29Z | |
dc.date.available | 2021-05-08T11:22:29Z | |
dc.date.submitted | 2012 | |
dc.date.issued | 2018-08-06 | |
dc.identifier.uri | https://acikbilim.yok.gov.tr/handle/20.500.12812/683502 | |
dc.description.abstract | İnternetin hayatımıza girmesi ile birlikte ağ kaynaklarının verimli bir şekilde kullanılabilmesi için ağ trafiğinin yönetilmesi ve ağ akışlarının kontrol edilmesi kaçınılmaz olmuştur. Geleneksel sorgu ve raporlama araçlarının günümüzde yetersiz kalması nedeniyle toplanan bu verileri nasıl kullanılacağı üzerine yapılan araştırmalar makine öğrenme ve veri madenciliğinin kavramlarının hayatımıza daha çok girmesini sağlamıştır.Ağ analizi için kullanılan geleneksel tabanlı yaklaşımlar (port-tabanlı, yük-tabanlı) internet kullanım davranışlarının ve teknolojilerinin değişmesiyle günümüzde yetersiz kalmaya başlamıştır. Bu nedenle; Makine öğrenme tabanlı ağ trafiği sınıflandırma yöntemi geliştirilmiştir.Tez çalışmasında, ağ trafiği veri setini kullanarak, akışlar üzerinden ağ akışlarına ait nitelik kümeleri çıkartılarak, sınıflandırma ve kümeleme analizinde sıkça kullanılan C4.5, Naive Bayes, EM ve K-means algoritmaları, karşılaştırma metrikleri kullanılarak test edilecektir. Ayrıca algoritmaların performanslarını yükseltmek için kullanılan Adaboost algoritmasının sınıflandırma algoritmaları üzerindeki etkisi incelenecektir. Oluşturulan nitelik kümesindeki kullanılmayan veya gereksiz niteliklerin çıkarılmasını sağlayan nitelik seçme algoritmaları kullanılarak, en uygun nitelik sınıfı aranacak ve algoritmaların performansları üzerindeki etkisi araştırılacaktır. | |
dc.description.abstract | With beginning of extensive usage of internet on our daily lives, to control network flows and manage network traffic for efficient usage of network sources has become more and more important. Traditional query and reporting tools started to become insufficient, so, researches done to decide how these data will be used has made machine learning and data mining concepts to have much more value in our lives. Traditional approaches performed for network analysis (port-based, payload-based) has become insufficient with the changes on network usage behaviors and technology. Therefore, Machine Learning based network traffic classification technique has been developed.On this thesis study, by the usage of network traffic data set, attribute set for network flows will be calculated, and C4.5, Naive Bayes, EM and K-means algorithms which are used frequently on classification and clustering analysis will be tested using comparison metrics. Also, effects on classification algorithms of Adaboost, used for boosting algorithms performances will be tested. Most convenient attribute set will be determined by using attribute selection algorithms which helps to be removed unused and unnecessary attributes on generated attribute set. Effects of this attribute set on algorithms' performance will be researched. | en_US |
dc.language | Turkish | |
dc.language.iso | tr | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights | Attribution 4.0 United States | tr_TR |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | |
dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | tr_TR |
dc.subject | Computer Engineering and Computer Science and Control | en_US |
dc.subject | Bilim ve Teknoloji | tr_TR |
dc.subject | Science and Technology | en_US |
dc.title | Makine Öğrenme Algoritmalarını Kullanarak Ağ Trafiğinin Sınıflandırılması | |
dc.title.alternative | Network Traffic Classification Using Machine Learning Algorithms | |
dc.type | masterThesis | |
dc.date.updated | 2018-08-06 | |
dc.contributor.department | Bilgisayar Mühendisliği Ana Bilim Dalı | |
dc.subject.ytm | Data analysis | |
dc.subject.ytm | Data mining | |
dc.subject.ytm | Computer networks | |
dc.subject.ytm | Computer network protocols | |
dc.subject.ytm | Data flow | |
dc.identifier.yokid | 443237 | |
dc.publisher.institute | Fen Bilimleri Enstitüsü | |
dc.publisher.university | TOBB EKONOMİ VE TEKNOLOJİ ÜNİVERSİTESİ | |
dc.identifier.thesisid | 316521 | |
dc.description.pages | 72 | |
dc.publisher.discipline | Diğer |