Veri madenciliği kullanarak bilgisayar ağ trafiğinin sınıflandırılması

Bu çalışmada, ağa izinsiz giriş tespiti için farklı verisetleri üzerinde çalışılmıştır. Saldırı sinyalleri, normal sinyallerden ayırt edilmektedir. Zira ağ bağlantılarının artmasıyla birlikte bilgisayar güvenliği ve izinsiz giriş tespiti zorlu bir sorun haline gelmiştir. Bu araştırmada bilgi kazancı, kazanç oranı, Chi2 ve Relief gibi farklı öznitelik seçim yöntemleri kullanılmıştır. Kullandığımız her öznitelik seçim algoritması için %10 ila %90 nicemleme aralığıyla on eşiğe dayalı farklı modeller eğitiyoruz. Karar ağaçları, Rastgele Orman, Ekstra ağaçlar, GradiantBoosting, XGBoost, AdaBoost, Doğrusal (Linear), Destek Vektör Makinesi (SVM) ve Lojistik Regresyon eğitiyoruz. Bu modellerin her biri için farklı eşiklerle çapraz doğrulama ve öznitelik seçimi kullanıyoruz. Ardından, çapraz doğrulama sonrasında elde edilen doğruluğa dayalı olarak tüm bu modelleri karşılaştırıyoruz. Yığınlama modeli, temel modeller (model düzeyi) olarak Rastgele Orman, Ekstra Ağaçlar, XGBoost ve bir meta sınıflandırıcı model olarak Lojistik Regresyon ile sadece 15 özniteliği kullanarak UNSW-NB15 veri setinde %97,79 oranında test doğruluğuna ulaşmaktadır. Üst modeli 5 gizli katmanlı MLP (Çok Katmanlı Algılayıcı) olarak değiştirilerek %97,82 test doğruluğu elde edilmiştir. Ancak yığınlama modelinin karmaşıklığı, doğruluğu yalnızca %0,03 oranında iyileştirmek için çok fazla arttırılmıştır. Yığınlama modelinin çıkarım süresini etkileyecek dağıtım modeli seçilirken bu not dikkate alınmalıdır.