Destek vektör makinesi ile sinüs cosinüs algoritması kullanılarak hibrit saldırı tespit sisteminin tasarımı

Teknolojinin gelişmesi ve internetin yaygınlaşmasıyla birlikte kritik verilerin depolanması, çevrimiçi eğitim ve çevrimiçi alışveriş gibi amaçlarla bilgisayar sistemlerinin kullanımı artmıştır. Ancak kullanıcılar sıklıkla işletim sistemlerinin kararlılığını bozan tehditlerle karşı karşıya gelmektedir. Başka bir deyişle, saldırganlar sistemlere izinsiz erişerek özel bilgilere ulaşmayı hedef almaktadırlar. Bu güvenlik açığının üstesinden gelmek için çoğu bilim insanı, saldırı tespit sistemi olarak hibritleştirilmiş yöntemlerin kullanımına dikkat çekmişlerdir. Bunun sonucunda, önerilen yöntemlerin performansını artırmak ve aynı zamanda minimum öznitelikleri seçmek için meta-sezgisel algoritmalar ve makine öğrenimi yöntemleri gibi çeşitli teknikler sunulmaktadır. Bu tezde, yüksek performans elde etmek ve aynı zamanda doğruluğu artırmak için makine öğrenimi algoritmalarından seçilen iki başarılı algoritmanın (Binary Sinüs kosinüs Algoritması (BSCA) ve Destek Vektör Makinesi (DVM)) entegre edilmesi hedeflenmiştir. Özellik seçimindeki başarısından dolayı BSCA nın özellik seçimi için kullanılması ve sınıflandırmadaki başarısından dolayı da SVM algoritmasının sınıflandırıcı olarak kullanılması öngörülmüştür. Bu tez çalışmasının amacı, makine öğrenmesi algoritmalarından hibrit olarak oluşturulan yeni algoritmanın saldırganları tespit etme potansiyelini vurgulamak ve en uygun hibrit saldırı tespit sistemini elde etmektir. Sunulan modelin performansını değerlendirmek için 2 farklı veri seti kullanılmıştır. Ayrıca, diğer makine öğrenme tekniklerinin kullanımları ve başarı oranları da dikkate alınarak önerilen yeni hibrit sistemin; Radial Basis Function (RBF) ve Polinom çekirdekli Destek Vektör Makinesi (RBF-DVMve Polinom DVM), Rastgele Orman (RO), K-en yakın komşu (k-NN), Naive Bayes sınıflandırıcısı (NBC), Binary Parçacık Sürü Optimizasyonu entegreli DVM (BPSO-DVM) ve literatürden seçilmiş güncel mevcut bazı çalışmalarla performans karşılaştırmaları (IWD-SVM, GA-SVM, MBGW-SVM, LOA-CNN gibi) yapılmıştır. NSL-KDD ve UNSW-NB15 veri setlerini kullanarak, önerilen yöntem sırasıyla % 99,30 ve % 99,70 doğruluğa elde edildi.