Saldırı Tespiti için Makine Öğrenme Yöntemlerinin Karşılaştırmalı Analizi
Abstract
İnternet ve ağ teknolojilerindeki hızlı gelişmeler, siber saldırılar ve izinsiz erişimlerin başta olduğu birçok
dezavantajı beraberinde getirmektedir. Bu girişimlerin önceden tespiti, olası saldırıların gerçekleşmeden
önlenebilmesini sağlamaktadır. Bu çalışmada makine öğrenme yaklaşımlarının saldırı tespiti üzerindeki
performansları araştırılmıştır. Tüm deneyler, açık erişime sunulmuş ve yaygın olarak kullanılan KDD’99 veri
kümesi altındaki KDD10CORRECTED ve KDDTEST setleri üzerinde gerçekleştirilmiştir. Sınıflandırıcı olarak,
KA, TÖ ve DVM tercih edilmiştir. Veri setleri hem doğrudan sınıflandırıcıların girişi olarak hem de boyut
indirgeme tekniği olan TBA uygulanarak sınıflandırılmıştır. Sınıflandırma aşamasında 5-kat çapraz doğrulama
tekniği kullanılmıştır. En iyi başarım oranları KDD10CORRECTED veri setinde üzerinde %99,99 ile Torbalama
sınıflandırıcısı, KDDTEST veri setinde üzerinde %97,90 ile Torbalama sınıflandırıcısı,
KDD10CORRECTED+KDDTEST veri setinde üzerinde %100 ile Torbalama sınıflandırıcısı elde etmiştir. Elde
edilen sonuçlar kıyaslanarak rapor edilmiştir. Sonuçlar gelecekteki çalışmalar için cesaret vericidir.
Collections
DSpace@BEU by Bitlis Eren University Institutional Repository is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 4.0 Unported License..