Ağ anomalisi tespitinde emülatör ortamı tasarımı ve makine öğrenmesi ile saldırı tespiti

İnternetin ortaya çıkışı ve bununla bağlantılı cihazların sayısının hızla artması birçok avantajı beraberinde getirmiştir. Bu avantajların yanı sıra bize önemli zorluklar da sunmuştur. Bu zorluklar arasında siber tehditler, acil müdahale gerektiren en önemli konu olarak öne çıkıyor. Bireyleri, kuruluşları, hatta ulusların tamamını hedef alan bu saldırılar, maddi kayıpların yanı sıra duygusal ve psikolojik zarara da yol açma potansiyeli taşımaktadır. Bu olumsuz durumların ışığında bu araştırmanın amacı, ağ saldırılarını doğru bir şekilde tanımlayıp tespit edebilen anomali tabanlı tespit sistemleri geliştirmek amacıyla çeşitli makine öğrenme tekniklerinin kapsamlı bir analizini yapmaktır. Bu tez çalışması kapsamında emülatörden beş farklı veri seti oluşturmak için yararlanılmıştır. Deneysel çalışmalar üç farklı öznitelik seçimi yöntemi kullanılarak gerçekleştirilmiştir. Bu yöntemler özyinelemeli, ileri yönelimli ve manuel özellik seçimidir. Dengesiz veri kümelerini ele almak için Sentetik Azınlık Aşırı Örnekleme Tekniği uygulanarak veri artırma gerçekleştirildi. Tüm potansiyel sonuçlara ilişkin doğruluk oranları, Rastgele Orman, Kara Ağaçları, K En Yakın Komşu ve Destek Vektör Makinesi olmak üzere sınıflandırma algoritmaları kullanılarak doğruluk oranları hesaplandı. Bu hesaplamalar Python programlama dili ve Sklearn, NumPy, Pandas ve Matplotlib gibi kütüphaneler kullanılarak gerçekleştirildi. Saldırı tespit sistemlerinde, makine öğrenmesi algoritmalarından özellikle Rastgele Orman, Karar Ağaçları ve En Yakın Komşu algoritmaları, performans ve başarı açısından en yüksek düzeyde sonuçlar vermiştir. Bu üç algoritmanın doğruluk oranları genel olarak %99.92 ile %100 arasında gerçekleşmiştir. Bu durum söz konusu algoritmaların saldırı tespiti için son derece etkili olduğunu ortaya koymaktadır. Sentetik veri artırımının uygulanmasının sonuçlar üzerinde önemli bir etki yaratmadığı gözlemlenmiştir. Yapılan bu tez çalışması sayesinde, ağdaki veri modellerinin ve hacminin derinlemesine incelenmesi, izlenmesi ve analiz edilmesi, ağın verimli bir şekilde işlev görmesini sağlayacak ve bilgi paylaşımının güvenli bir şekilde gerçekleşmesine olanak tanıyacak güvenilir bir Saldırı Tespit Sistemi'nin geliştirilmesine katkıda bulunacaktır.