Bilgisayar ağlarında anormal veri trafiği tespiti için parametre optimizasyonu

İletişim teknolojilerinin ve özellikle de internetin insan hayatı üzerinde geniş bir yer edinmesi sonucunda, bilişim sistemlerinin ve verilerin güvenliğinin sağlanması oldukça önemli bir siber güvenlik problemi haline gelmiştir. Olası bir saldırı durumunda sistemlerin ve kullanıcıların oluşan tehlikeden olabildiğince az etkilenmesini sağlayabilmek amacıyla, bilgisayar ağlarında anormal veri trafiği tespitinin mümkün oldukça hızlı ve doğruluk oranı yüksek bir şekilde raporlanması gerekir. Bu doğrultuda araştırmacılar tarafından pek çok farklı yaklaşım ve yöntem ortaya konulmaktadır. Ancak bu çalışmaların pek çoğu, algı süresi veya sınıflandırma başarımı göz önüne alındığında yeterli olmamaktadır. Bu çalışmada, ağ trafiği üzerinde anormal davranışlar gösteren eylemlerin ve siber saldırı sonucu, oluşabilecek zararlı ağ trafiğinin tespiti ve önlenmesi amacıyla seçilen bir grup sınıflandırma algoritmasının başarım değerlendirmesi yapılmıştır. Buna ek olarak yüksek başarı gösteren sınıflandırma algoritmaları üzerinde ReliefF Öznitelik Seçimi, Mahalanobis Uzaklığı ve Ki Kare Testi (Chi-Square) gibi veri ön işleme adımları kullanılarak daha az veri özniteliği kullanımının sınıflandırma algoritmalarının başarımı üzerindeki etkisi değerlendirilmiştir. Değerlendirmeler sonucunda az sayıda öznitelik ile birlikte, öznitelik seçimi olmadan gerçekleştirilen sınıflandırma işlemine oranla yarısı kadar daha az bir sürede yüksek sınıflandırma başarısı elde edilmiştir. Öznitelik seçimi işlemleri neticesinde seçilen bir grup makine öğrenmesine ait en yüksek sınıflandırma başarısı %99,2187 oranı ile Random Forest algoritmasına aitken en düşük sınıflandırma başarısına sahip olan yöntem %90,5778 oranı ile Bayes Network Classifier algoritmasıdır. Yapılan başarım testleri için NSL-KDD (Network Security Laboratory - Knowledge Discovery and Data Mining) veri kümesi kullanılmıştır. Yüksek performans ve minimum zaman aralığında daha az öznitelik verisi kullanılarak maksimum başarım oranı elde edilmeye çalışılmıştır. Anahtar Kelimeler: Anormal Veri Tespiti, Öznitelik Seçimi, Makine Öğrenmesi, Veri Güvenliği, Saldırı Tespit Sistemleri