Hiperparemetreleri Ayarlanmış Makine Öğrenmesi Yöntemleri Kullanılarak Ağdaki Saldırıların Tespiti

Abstract

Bilişim teknolojilerinde yaşanan hızlı gelişmeler her geçen gün bilgisayar ve internet kullanan kişisayısını artırmaktadır. Teknolojide yaşanan yeni gelişmelerle birlikte internet kullanıcıları, bilgisayar veyaağ yapılarında güvenlik açığı olmasından dolayı çeşitli güvenlik tehditleri ile karşı karşıya gelmektedir.Bazı kötü niyetli internet kullanıcılarının veya bilgisayar korsanlarının yaptıkları saldırı denemelerisonucunda ağ üzerinde bulunan sistemlere izinsiz girişlerin tespit edildiği gözlemlenmektedir. Maruzkalınan izinsiz girişlerin engellenmesi için internet kullanıcıları Saldırı Tespit Sistemleri, antivirüs ve trojantespit etme ve engelleme programları kullanmaktadırlar. Bu amaçla son yıllarda, saldırıların tespit edilmesiiçin makine öğrenmesi algoritmalarının kullanımı bir hayli artmıştır. Bu çalışmada ağdaki trafiğin saldırıolup olmadığının tespiti için ikili sınıflandırma yapılmış olup saldırı olarak sınıflandırılan trafik, saldırıtürlerine göre sınıflandırılmıştır. Bu çalışmada, Saldırı Tespit Sistemleri’nde sıkça kullanılan verisetlerinden biri olan Kaggle platformundan alınan NSL- KDD veri seti kullanılmıştır. Veri seti üzerinetopluluk öğrenme algoritmalarından RandomForest, DecisionTree, ExtremeGradientBoosting(XgBoosting), GradientBoosting, KNN ve Bagging uygulanmış ve analizi yapılmıştır. Çalışmada YapaySinir Ağları algoritmaları ile hiperparametre optimizasyonu gerçekleştirilerek multi-class sınıflandırma dadenenmiştir. Yüksek doğruluk elde edilmesine karşın klasik makine öğrenmesi metotlarından daha düşüksonuçlar elde edilmiştir. Makine öğrenmesi algoritmalarıyla elde edilen başarılı sonuçlar sayesinde SaldırıTespit Sistemleri üzerinde iyileştirmeler ve düzenlemelere gidilebilir.