Basitleştirilmiş mahalanobis mesafesi ve doğrusal korelasyona dayalı öznitelik seçimi kullanarak ağ anomali tespiti

Güvenlik, ağ saldırılarına ve izinsiz girişlere karşı sistemi korumak ve tedbirler almak açısından önemli bir rol oynamaktadır. Gelişen nesnelerin interneti ile birlikte güvenlik konusu daha da önem kazanmaktadır. Saldırı tespit sistemleri, güvenlik araştırmalarında yaygın olarak tercih edilmekte olup makine öğrenimi ve istatistiksel yöntemlere dayalı saldırı tespit sistemleri olmak üzere sınıflandırılmaktadır. İzinsiz girişleri tespit etmek için imzaya ve anomaliye dayalı olacak şekilde birçok teknik geliştirilmiştir. Saldırı tespit sistemlerinde anomalileri tespit etmede en büyük engel, sistemin karmaşıklığını artıran ve anomalilerin tespit oranını azaltan veri setinin yüksek boyutluluğa ve gereksiz özniteliklere sahip olmasıdır. Karmaşıklıktaki bu artış, ağ saldırılarını tespit etmek ve önlemek amacıyla yeni yaklaşımların geliştirilmesini gerekli hale getirmektedir. Bu çalışmanın temel amacı, geleneksel Mahalanobis mesafesi yerine daha az hesaplama karmaşıklığına sahip olan basitleştirilmiş Mahalanobis mesafesinin (SMD) uygulanması ve anomali tespiti için istatistiksel tabanlı yöntemlerin etkinliğinin araştırılmasıdır. Tüm deneyler büyük veri ölçeğinde yaklaşık 2,5 milyon kayıt sayısının mevcut bulunduğu UNSW-NB15 ağ veri seti üzerinde doğrusal korelasyona dayalı öznitelik seçimi (LCFS) ile SMD'yi birleştiren bir yaklaşım kullanılarak uygulanmıştır. Önerilen yaklaşımın deney bulguları incelendiğinde, saldırı tespit sistemleri için kritik öneme sahip düşük yanlış alarm oranının %0,88 ila %1,04 arasında olduğu ve en yüksek tespit oranının %99,94 olarak elde edildiği gözlemlenmiştir. Bununla birlikte, makine öğrenimine dayalı literatür çalışmalarıyla karşılaştırıldığında birbirine yakın sonuçlar elde edildiği görülmektedir. Literatüre katkısı bakımından incelendiğinde ise nesnelerin interneti alanına LCFS ve SMD'yi birleştiren anomali tabanlı bir yaklaşım sunulmuştur.