Artificial intelligence model for DDOS-detection

Bu yüksek lisans çalışması, kuruluşlarda ve ağ sistemlerinde finansal kaynaklara ve özel veri tabanlarına önemli ölçüde zarar verebilecek siber tehditlerin tespit edilmesinde makine öğrenimi ilkelerinin ve akıllı DL algoritmalarının yararlı katkılarını ve önemli gerekçelerini araştırmak ve incelemek için yönlendirilir. Çalışma, dört ML modelinin (Lojistik Regresyon (LR), Destek Vektör Makinesi (SVM), Stokastik Gradyan İniş (SGD) ve Makine Öğrenimi Modeli (MLM) dahil)) kullanılmasına dayanıyordu. Matematiksel sayısal Python kodu geliştirilmiş ve simülasyonları gerçekleştirilmiştir. Çalışma çıktıları, performans değerlendirme teknikleriyle elde edilen dört MO şemasının ortalama doğruluğunun eğitim için %74,54 ila %96,20 arasında değiştiğini ortaya koydu. Küçük oran, SGD sınıflandırıcısı içindi. Ayrıca, maksimum yüzde MLM ile ilişkilendirilmiştir. Bu arada, test süreci için dört algoritmaya ilişkin ortalama doğruluk %74,23 (SGD sınıflandırıcı için minimum) ile %95,93 (MLM için maksimum) arasında değişmektedir. Akıllı makine öğrenimi ve DL algoritmalarının kullanılması, tezin vaka çalışması için performans, güvenilirlik ve doğruluk açısından pratik siber tehdit algılama araçları sağladı. Dört ML algoritmasının kesinlik oranları, eğitim sürecindeki ikili sınıflandırmaların "0" sonuçlarıyla ilgili olarak %75,83 (SGD sınıflandırıcısı için minimum) ile %98,27 (MLM için maksimum) arasında değişmektedir. "1" ikili sınıflandırma sonuçları için minimum kısımlar, eğitim aşamasında sırasıyla %69,14 (LR algoritması için minimum) ve %93,16 (MLM için maksimum) arasındaydı. Test prosedürü için kesinlik oranı, '0' ikili sınıflandırma bulguları için %75,00 (SGD sınıflandırıcı için minimum) ve %97,94 (MLM için maksimum) arasında değişir. Buna karşılık, test prosedüründe '1' ikili sınıflandırma çıktıları %70,15 (LR modeli için en düşük) ve %93,08 (MLM için nihai) arasında değişir.