Search

Bilgisayar ağlarına yapılan saldırılar günden güne artarken ve saldırıların nitelikleri de sürekli olarak değişmektedir. Ağ saldırıları, bilgisayar ağlarına zarar vererek bilgi güvenliğini ortadan kaldırmaktadır. Bu durum kişiler, şirketler, kurumlar ve hatta devletler için büyük bir risk oluşturmaktadır. Ağ trafiğinin analizi ve böylece saldırıların ortaya çıkarılabilmesi için Saldırı Tespit Sistemlerinden yararlanılmaktadır. Saldırı türlerini tanıyacak şekilde oluşturulan bu sistemlerin gelişimleri de artan saldırı tiplerine göre sürekli devam etmektedir. Bu çalışmada makine öğrenmesi teknikleri yardımıyla anormallik tabanlı bir saldırı tespit sistemi oluşturulması amaçlanmıştır. Çalışma sürecinde; Yinelemeli Özellik Elemesi, İleri Yönelimli Seçim, Rastgele Orman, Karar Ağaçları, Naive Bayes, Lojistik Regresyon ve Ekstrem Gradyan Artırma gibi algoritmalardan yararlanılmış ve Doğruluk, Kesinlik, Duyarlılık ve F1 gibi metrikler ile değerlendirmeler yapılmıştır. Ayrıca model değerlendirme için ROC eğrilerinden yararlanılmıştır. Bahsi geçen bu algoritmalardan elde edilen sonuçlar karşılaştırılarak en etkili modelin bulunması için CICIDS 2017 veri seti kullanılmıştır. Çalışma kapsamında Yinelemeli Özellik Elemesi ve İleri Yönelimli Seçim teknikleriyle özellik seçimi yapılmış ve en iyi sınıflandırma sonuçları Rasgele Orman ve Ekstrem Gradyan Artırma algoritmalarından elde edilmiştir., Attacks on computer networks are increasing day by day and characteristics of them are changing continuously. Network attacks destroy information security by damaging computer network systems. This situation poses a great risk for individuals, companies, institutions and even governments. To prevent or minimize the damages of network attacks, Intrusion Detection Systems are used. The development of these systems, which are created according to attack characteristics, continues parallelly to increasing attack types. In this study, it is aimed to create an intrusion detection system based on machine learning principles with anomaly detection. Recursive Feature Elimination, Forward Feature Selection, Random Forest, Decision Tree, Naive Bayes, Logistic Regression and Extreme Gradient Boosting algorithms are used during the study and evaluations are made by Accuracy, Precision, Recall and F1 Score metrics. Also, Cross Validation and ROC Curve methods are used for the evaluation. CICIDS2017 data set is used to find the most effective model by comparing the results obtained from the mentioned algorithms. As the result of this study, it is determined that the Intrusion Detection System models, which are created by classifying the features obtained the methods of Forward Feature Selection and Recursive Feature Elimination with Random Forest and Extreme Gradient Boosting algorithms, are successful.

In today’s technology world, intrusion detection is important topic for the Internet of Things (IoT) systems. With the growth of using tiny devices connected to wireless networks in IoT, the amount of data is growing rapidly. This data may be vulnerable to attacks so that IoT systems need to secure it for increasing the system’s confidentiality, availability, and reliability. The progress of detecting attacks using artificial intelligence (AI) autonomously has become a more convenient method in network intrusion detection systems (NIDS). In this article, we propose new detecting technique to improve performance and increase accuracy in NIDS. We present different machine learning (ML) and deep learning (DL) methods to detect the different type of attacks for IoT systems. We also provide the experiments to find out the best way to identify the anomaly in IoT system environment, take comparisons between different AI models. The experiment was evaluated with the open database UNSW-NB15., Günümüz teknoloji dünyasında, nesnelerin interneti (IoT) sistemleri için izinsiz giriş tespiti önemli bir konudur. IoT'de kablosuz ağlara bağlı küçük cihazların kullanımının artmasıyla birlikte veri miktarı da hızla artıyor. Bu veriler saldırılara karşı savunmasız olabilir, bu nedenle IoT sistemlerinin sistemin gizliliğini, kullanılabilirliğini ve güvenilirliğini artırmak için bu verileri güvenceye alması gerekir. Yapay zekayı (AI) otonom olarak kullanarak saldırıları tespit etme ilerlemesi, ağ saldırı tespit sistemlerinde (NIDS) daha uygun bir yöntem haline geldi. Bu yazıda, NIDS'de performansı iyileştirmek ve doğruluğu artırmak için yeni tespit tekniği öneriyoruz. IoT sistemleri için farklı saldırı türlerini tespit etmek için farklı makine öğrenimi (ML) ve derin öğrenme (DL) yöntemleri sunuyoruz. Ayrıca, IoT sistem ortamındaki anomaliyi tanımlamanın en iyi yolunu bulmak için deneyler sunuyoruz, farklı AI modelleri arasında karşılaştırmalar yapıyoruz. Deney, açık veri tabanı UNSW-NB15 ile değerlendirilmiştir.

Intrusion detection systems (IDSs) have received great interest in computer science, along with increased network productivity and security threats. The purpose of this study is to determine whether the incoming network traffic is normal or an attack based on 41 features in the NSL-KDD dataset. In this paper, the performance of a stacking technique for network intrusion detection was analysed. Stacking technique is an ensemble approach which is used for combining various classification methods to produce a preferable classifier. Stacking models were trained on the NSLKDD training dataset and evaluated on the NSLKDDTest+ and NSLKDDTest21 test datasets. In the stacking technique, four different algorithms were used as base learners and an algorithm was used as a stacking meta learner. Logistic Regression (LR), Decision Trees (DT), Artificial Neural Networks (ANN), and K Nearest Neighbor (KNN) are the base learner models and Support Vector Machine (SVM) model is the meta learner. The proposed models were evaluated using accuracy rate and other performance metrics of classification. Experimental results showed that stacking significantly improved the performance of intrusion detection systems. The ensemble classifier (DT-LR-ANN + SVM) model achieved the best accuracy results with 90.57% in the NSLKDDTest + dataset and 84.32% in the NSLKDDTest21 dataset., Saldırı tespit sistemleri (STS'ler), artan ağ verimliliği ve güvenlik tehditlerinin yanı sıra bilgisayar bilimlerinde de büyük ilgi görmüştür. Bu çalışmanın amacı, NSL-KDD veri kümesindeki 41 özelliğe bağlı olarak gelen ağ trafiğinin, normal veya saldırı olup olmadığını belirlemektir. Bu yazıda, ağ izinsiz giriş tespiti için bir istifleme tekniğinin performansı analiz edilmiştir. İstifleme tekniği, tercih edilebilir bir sınıflandırıcı üretmek için çeşitli sınıflandırma yöntemlerini birleştirerek kullanılan bir topluluk yaklaşımıdır. İstifleme modelleri NSLKDD eğitim veri seti üzerinde eğitilmiş ve NSLKDDTest+ ve NSLKDDTest21 test veri setleri üzerinde test edilmiştir. İstifleme tekniğinde temel öğrenenler olarak dört farklı algoritma ve istifleme meta öğrenicisi olarak bir algoritma kullanılmıştır. Lojistik Regresyon (LR), Karar Ağaçları (KA), Yapay Sinir Ağları (YSA) ve K En Yakın Komşu (KEYK) temel öğrenici modelleridir ve Destek Vektör Makinesi (DVM) modeli meta öğrenicidir. Önerilen modeller, doğruluk oranı ve sınıflandırmanın diğer performans metrikleri kullanılarak değerlendirilmiştir. Deney sonuçları istiflemenin saldırı tespit sisteminin performansını önemli ölçüde artırdığını göstermiştir. Topluluk sınıflandırıcısı (KA-LR-YSA + DVM) modeli, NSLKDDTest+ veri kümesinde %90.57 ve NSLKDDTest21 veri kümesinde %84.32 ile en iyi sonuçlara ulaşmıştır.

Saldırı tespit sistemleri (IDS) yıllardır bilgisayar sistemlerine karşı problemli ya da zararlı faaliyetlerin tespitine yardımcı olmak için kullanıldı. Bu nedenle, birçok araştırmacı, saldırı tespit problemlerinin zorluklarıyla başa çıkmak için makine öğrenme yöntemleri ve doğadan esinlenilmiş algoritmalar gibi yöntemlerin bir kombinasyonuyla IDS'yi önerdi. Bu çalışmada daha iyi bir performans elde etmek ve doğruluk kazanmak için Naive Bayes ve İkili Parçacık Sürü Optimizasyonu birleştirilmiştir. Günümüzde, muazzam veri boyutlarından dolayı verilerin sınıflandırılması çok zor bir görev haline gelmiştir. Bu yüzden, özellik seçim yöntemleri bu zorlukların üstesinden gelmek, veri kümesi sınıflandırmasında daha fazla doğruluk üretmek ve büyük verilerin boyutsallığını azaltmak için kullanılmıştır. Parçacık sürüsü optimizasyonu (PSO), sezgisel bir optimizasyon tekniğidir ve optimum bir çözüm aramak için bir özellik seçimi yöntemi olarak kullanılabilen bir algoritmadir. İkili PSO, Naive Bayes sınıflandırma algoritmasının doğruluğunu geliştirmek için önemli özellikleri seçmek amacıyla kullanılmıştır. Bu çalışmanın amacı, özellik seçimi için İkili Parçacık Sürüsü Optimizasyon teknikleri ve veri sınıflandırması için Naive Bayes yöntemi uygulamaktır. Araştırma ayrıca, İkili PSO ve Naive Bayes algoritmalarının performansını ve sonuçlarını karar ağacı, rasgele orman sınıflamaları ile karşılaştırmayı ve hangi algoritmanın hem kalitede hem de doğrulukta iyi performans gösterdiğini bulmayı amaçlamıştır. Bu yöntemlerin performans değerlendirmesinde, değerlendirmede NSL-KDD veri seti kullanılmıştır. Önerilen modelin sonucu diğer modellere kıyasla başarılı performans sergilemiş, daha sağlıklı bir sonuç ortaya koyacağı tespit edilmiştir., Intrusion detection systems (IDS) was used to be assisting in the detection of mischievous or harmful activities against computer systems for decades. Thus, a lot of researchers have suggested the IDS with a combination of methods like machine learning methods and nature-inspired algorithms to deal with difficulties of intrusion detection problems. In this study, it is combined Binary Particle Swarm Optimization (BPSO) and Naive Bayes to achieve better performance and attain accuracy. Currently, the enormous growth of data and the classification of the data have become a very challenging task. So, the feature selection methods are used to reduce the dimensionality of the enormous data in order to produces better accuracy in the classification. Particle Swarm Optimization is one of the evolutionary algorithms and a computational technique that can be used as a feature selection method to search an optimal solution. BPSO had been used for feature selection for choosing important features to improve the accuracy of the Naive Bayes classification algorithm. The objective of this study is to apply BPSO techniques for feature selection and Naive Bayes method for data classification, the research also aimed to compare performance and the results of the algorithms of BPSO and Naive Bayes with Decision Tree and Random Forest classifications to find out which algorithm performed well both in quality and accuracy. NSL-KDD data has been used in the evaluation and assessment of the performance of these methods, and the result of the proposed model had provided better classification accuracy and better performance than the other models

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2005, Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2005, Bilgisayarların kritik sistemlerde kullanımının artmasının bir sonucu olarak, verileri ve bilgisayar sistemlerini kasıtlı ve kötü niyetli müdahalelerden koruma sanatı ve bilimi olan bilgisayar güvenliği giderek daha çok ilgi çeken bir konu haline gelmektedir. Bu amaçla parolalar, güvenlik duvarları, şifreleme ve sayısal imza gibi pek çok savunma yöntemi zaten mevcuttur. Ancak saldırganların er geç sistemlere girmelerini engellemek hala çok zordur. Şu anda güvenlik ihlallerini tamamen engellemek imkansız gözükmektedir. Fakat sistemlere girme girişimlerinin veya başarılı sızmaların yakalanmaya çalışılması biraz daha fazla güvenlik sağlanmasına katkıda bulunabilir. Bu amaca yönelik araştırma konusuna Saldırı Tespiti (ST) adı verilir. Saldırı Tespit Sistemleri (STS’ler), bilgisayar sistemlerinde veya bilgisayar ağlarında oluşan olayları otomatik olarak görüntüleyerek güvenlik sorunları oluşturabilecek durumları analiz eden yazılım veya donanım sistemleridir. STS’ler imza-temelli ve anormallik-temelli olarak tasarlanabilir. İmza-temelli sistemler, yalnızca önceden bilinen saldırıları tespit ederken, anormallik-temelli sistemler çıkarımsal yöntemler kullanmaları itibariyle henüz bilinmeyen saldırıları da tespit edebilmektedirler. Bu çalışmada bilgisayar ağlarına yapılan saldırıları tespit eden bir karma STS geliştirilmiştir. Sistemin imza-temelli tespit yapan kısmı, açık kaynak kodlu olarak gelişen Snort programıdır. Bu programa anormallik-temelli yaklaşımların bir uygulaması olan istatistiksel yöntem geliştirilip eklenerek karma bir sistem oluşturulması hedeflenmiştir. Geliştirilen istatistiksel yöntemin ve oluşturulan karma sistemin performansı, MIT Lincoln Laboratuarlarındaki STS değerlendirmesinde kullanılan ağ trafik verisi üzerinde(IDEVAL) test edilmiştir. Bu test; yöntemlerin iyileştirilmesini, yalnızca imza-temellide tespit edilen saldırılara ek olarak karma sistemle tespit edilebilen saldırıların sayısını bulmayı ve bu sayede karma STS’lerin daha iyi tespit yaptığını göstermeyi hedeflemektedir., As a consequence of the increased use of computers for critical systems, computer security, which is the art and science of protecting data and computer systems from intentional, malicious intervention, is attracting increasing attention. Many methods of defence already exist such as passwords, firewalls, encryption and digital signatures. However, it is still very difficult to keep the attackers away from entering the systems eventually. Currently, completely preventing breaches of security seems to be impossible. However, trying to detect intrusion attempts or possible intrusions to the systems may be useful to achieve a higher level of security. This field of research is called Intrusion Detection (ID). Intrusion Detection Systems (IDS) are hardware and software systems that monitor computer networks and systems for violations of security policy. IDS can be designed as signature-based or anomaly-based. Signature-based systems can only detect attacks that are known before whereas anomaly-based systems can detect unknown attacks as they use heuristic methods. In this study an hybrid-IDS is developed in order to detect attacks that has been committed to computer networks. Snort is chosen as the signature-based element of the newly developed system because it is open-source software. Statistical method of anomaly detection approach is improved and built into this open-source software and the hybrid system is obtained. Newly developed statistical method and hybrid system’s performance is tested on the network traffic data (IDEVAL) that is used in MIT Lincoln Laboratories IDS evaluation in 1999. This test purposes to improve methods and to find how many attacks are additionally detected with newly developed hybrid system compared to signature-based system on its own., Yüksek Lisans, M.Sc.

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2005, Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2005, Bilgisayar saldırıları günümüzde çok popüler bir araştırma konusudur ve olmaya da devam edecektir. İki tip saldırı tespit sistemi vardır: Davranış bazlı ve bilgi bazlı. Örüntü sınıflandırması her ikisini biraraya getirerek optimum sonuca ulaşmada yol gösterici olmaktadır. Bu tezde KDD Cup 99 saldırı verileri kullanılarak bir örüntü sınıflandırması ile saldırı tespit sistemi gerçeklenmeye çalışılmıştır ve CLIDS (Cluster based Intrusion Detection System) olarak adlandırılmıştır. CLIDS’te ataklar sınıfları, KDD Cup verileri de sınıflara ait örüntüleri ifade etmektedir. CLIDS, gözetimli öğrenmeyle sınıf karakteristiklerini öğrenir, bu sınıflara uyan test verilerini bir atak adıyla ya da “normal” olarak etiket verir, uymayanları da “anormal” olarak adlandırır. CLIDS’in en önemli özelliği, Lei Yu ve Huan Liu tarafından geliştirilmiş ve sonuçları kanıtlanmış FCBF (Fast Correlation Based Filter) özellik seçme algoritmasını kullanarak bilinen örüntü sınıflandırma algoritmalarında olmayan ve saldırıları birbirinden ayırmak için çok gerekli olan sembolik verilerle sembolik olmayan verilerini birbirlerinden ayırma yeteneğini kazanmış olmasıdır. Sonuç olarak CLIDS, DOS ve Probe atak çeşitlerinin yakalanmasında başarılı olmuş, U2R ve R2L atak çeşitlerinin yakalanmasında ise KDD Cup verilerinin bu saldırıları yakalamak için uygun olmaması nederiyle daha az başarılı olmuştur. Ancak görülen odur ki, bütün saldırı çeşitlerinde atakların yanlışlıkla “normal” olarak adlandırılmasının %1’in altında kalması bu sistemi güvenilir kılmaktadır., Computer hacking is in our day a very popular research topic, and it is going to be also. There are two types of intrusion detection systems: Behaviour based and knowledge based. Pattern classification can combine both of them and guides to find the optimum solution. In this thesis, the KDD Cup 1999 intrusion detection data have been used to develop an intrusion detection system with pattern classification which is named CLIDS (Cluster based Intrusion Detection System). In CLIDS, attacks correspond the clusters and KDD Cup data correspond the patterns belonging to the clusters. CLIDS learns the cluster characteristics by supervised classification, it names the test data corresponding a cluster by an attack name or “normal”, the test data which do not correspond neither of the clusters as “anomaly”. The most important feature of CLIDS is that it uses a feature selection algorithm which is the FCBF (Fast Correlation Based Filter) developed by Lei Yu and Huan Liu, proven by its results, to seperate the clusters from each other, so it has gained the ability to distinguish symbolic and not symbolic data, which is very necessary to distinguish the attacks from each other. In conclusion, CLIDS has been succesfully by detection of DOS and Probe attacks, and less successfully by U2R and R2L attacks, because the KDD Cup data are not suitable for detection of U2R and R2L attacks. But it is seen that the “false negative” rate is below of %1 by all attack types, which makes this system reliable., Yüksek Lisans, M.Sc.

Tez (Yüksek Lisans) -- İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2004, Thesis (M.Sc.) -- İstanbul Technical University, Institute of Science and Technology, 2004, Bu tez çalışması yapay bağışıklık sistemi yaklaşımları ve onların saldırı tespitine uygulanması üzerine odaklanmıştır. Yapay bağışıklık sistemleri doğal bağışıklık sisteminden esinlenen bir yapay zeka temelli hesaplama yöntemidir. Bu yöntem pek çok farklı problem çözüm alanına uygulanmıştır. Bu alanlardan bir tanesi ağ saldırılarının tespitidir. Bu çalışmada yapay bağışıklık sistemi yaklaşımlarından birisi olan negatif seçim algoritması ağ saldırılarının tespiti konusuna uygulanmış ve DARPA/Lincoln Laboratuarı 1999 Saldırı Tespit Sistemleri değerlendirme veri setleri üzerinde denenmiştir. Bu algoritmanın başarımı ve anormallik tespit yetenekleri araştırılmış ve bu araştırmaların sonuçları sunulmuştur. Bu çalışma negatif seçim algoritmasının büyük veri kümeleri üzerinde çalışırken karşılaştığı bir takım sorunları ortaya koymaktadır., This thesis investigates the artificial immune system approaches and their application to network intrusion detection. Artificial immune systems is a soft computing approach inspired from the natural immune system. It has already been applied to many problem solving areas. One of these areas is network intrusion detection. In this work, negative selection algorithm, one of the artificial immune system approaches, is implemented and tested on the DARPA/Lincoln Laboratory 1999 Intrusion Detection Systems evaluation data sets. Its performance and detection capabilities are examined, and the results are provided. This thesis has identified some problems of the negative selection algorithm while processing large data sets., Yüksek Lisans, M.Sc.