Integration between network intrusion detection and machine learning techniques to optimizing network security
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Altınbaş Üniversitesi / Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
In an increasingly linked world beset with cybersecurity risks, the necessity for powerful
intrusion detection systems (IDS) is paramount. This thesis proposes a fresh approach to IDS
development. using modern machine learning algorithms and feature selection techniques to
boost detection accuracy and resistance. Drawing upon lessons from earlier research, we
address fundamental flaws in existing IDS approaches. emphasis on scalability and
susceptibility to advanced assaults. Our suggested hybrid model, incorporating Random
Forest, Gradient Boosting Machines, and Neural Networks, obtains a remarkable accuracy
rate of 96% in identifying network intrusions. Utilizing the Intrusion Detection Evaluation
Dataset (CIC-IDS2017), Our trials illustrate the efficacy of the proposed technique in realworld circumstances. This research contributes to the evolution of cybersecurity techniques
by delivering practical insights for strengthening the security and resilience of digital
infrastructures.
Siber güvenlik riskleriyle kuşatılmış, giderek bağlantılı hale gelen bir dünyada, güçlü izinsiz giriş tespit sistemlerine (IDS) duyulan ihtiyaç çok önemlidir. Bu tez IDS gelişimine yeni bir yaklaşım önermektedir. algılama doğruluğunu ve direncini artırmak için modern makine öğrenimi algoritmalarını ve özellik seçme tekniklerini kullanıyor. Daha önceki araştırmalardan ders alarak mevcut IDS yaklaşımlarındaki temel kusurları ele alıyoruz. ölçeklenebilirliğe ve gelişmiş saldırılara karşı duyarlılığa vurgu. Rastgele Orman, Gradyan Arttırma Makineleri ve Sinir Ağlarını içeren önerdiğimiz hibrit modelimiz, ağ izinsiz girişlerini tespit etmede %96 gibi dikkate değer bir doğruluk oranı elde ediyor. İzinsiz Giriş Tespiti Değerlendirme Veri Kümesini (CIC-IDS2017) kullanan denemelerimiz, önerilen tekniğin gerçek dünya koşullarındaki etkinliğini göstermektedir. Bu araştırma, dijital altyapıların güvenliğini ve dayanıklılığını güçlendirmeye yönelik pratik bilgiler sunarak siber güvenlik tekniklerinin gelişimine katkıda bulunuyor.
Siber güvenlik riskleriyle kuşatılmış, giderek bağlantılı hale gelen bir dünyada, güçlü izinsiz giriş tespit sistemlerine (IDS) duyulan ihtiyaç çok önemlidir. Bu tez IDS gelişimine yeni bir yaklaşım önermektedir. algılama doğruluğunu ve direncini artırmak için modern makine öğrenimi algoritmalarını ve özellik seçme tekniklerini kullanıyor. Daha önceki araştırmalardan ders alarak mevcut IDS yaklaşımlarındaki temel kusurları ele alıyoruz. ölçeklenebilirliğe ve gelişmiş saldırılara karşı duyarlılığa vurgu. Rastgele Orman, Gradyan Arttırma Makineleri ve Sinir Ağlarını içeren önerdiğimiz hibrit modelimiz, ağ izinsiz girişlerini tespit etmede %96 gibi dikkate değer bir doğruluk oranı elde ediyor. İzinsiz Giriş Tespiti Değerlendirme Veri Kümesini (CIC-IDS2017) kullanan denemelerimiz, önerilen tekniğin gerçek dünya koşullarındaki etkinliğini göstermektedir. Bu araştırma, dijital altyapıların güvenliğini ve dayanıklılığını güçlendirmeye yönelik pratik bilgiler sunarak siber güvenlik tekniklerinin gelişimine katkıda bulunuyor.
Açıklama
Anahtar Kelimeler
Intrusion Detection Systems, Machine Learning Algorithms, Feature Selection, Cybersecurity, Hybrid Model, Saldırı Tespit Sistemleri, Makine Öğrenme Algoritmaları, Özellik Seçimi, Siber Güvenlik, Hibrit Model
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Elzaridi, K. M. A. (2024). Integration between network intrusion detection and machine learning techniques to optimizing network security. (Yayınlanmamış yüksek lisans tezi). Altınbaş Üniversitesi, Lisansüstü Eğitim Enstitüsü, İstanbul.
