Makine öğrenimi yöntemleri kullanarak ağ trafiği verilerinden DDoS saldırısı tespiti

Bu tez, çeşitli makine öğrenimi ve öznitelik seçme yöntemlerini kullanarak yeni DDoS saldırısı tahmin modelleri geliştirmeyi amaçlamaktadır. Lojistik Regresyon (LR), Çok Katmanlı Algılayıcı (MLP), Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF) yöntemleri kullanılarak çeşitli DDoS saldırısı tahmin modelleri oluşturulmuştur. Öznitelik seçiciler olarak Relief-F ve minimum gereksiz maksimum ilgi (mRMR) algoritmaları kullanılmıştır. Veri seti, dört farklı saldırı türünü ve normal trafik içeren eşit sayıda satır içeren 10.000 satırlık trafik verisinden oluşmaktadır. Veri seti, paket boyutu, iletim süresi ve saldırı olaylarının belirteçleri gibi dikkate değer pek çok değişkeni içeren geniş bir dizi tahmin değişkeni kapsamaktadır. Modellerin performansını değerlendirmek için doğruluk, hassasiyet, duyarlılık ve F1-skoru metrikleri kullanılmıştır, modellerin genelleme hataları ise 10 katlı çapraz doğrulama kullanılarak değerlendirilmiştir. Sonuçlar, RF'nin DDoS saldırısı tespitinde diğer tüm ML sınıflayıcılarının daha iyi bir performans sergilediğini göstermektedir. Genel olarak, mRMR, DDoS saldırısı tespiti tahmininde Relief-F'den daha iyi performans göstermiştir. Her iki öznitelik seçme yönteminde, paket boyutu ve zamansal özelliklerin DDoS saldırısı tahmininde en önemli belirleyiciler olduğu belirlenmiştir.