Derin öğrenme tabanlı regresyon problemlerinin başarımlarının incelenmesi

Siber güvenlik altyapılarında her geçen gün artan veri hacmi ve mutasyona uğrayan sıfırıncı gün saldırıları, etiketli verilere dayanan geleneksel sınıflandırma sistemlerini yetersiz kılmaktadır. Bu tez çalışması, anomali tespitini bir sınıflandırma görevi olmaktan çıkararak, ağ trafiğinin güvenli davranışını modelleyen ve aktarılan veri miktarını tahmin eden derin öğrenme tabanlı bir regresyon mimarisi önermektedir. Temel hipotez, sistemin yalnızca normal trafik özelliklerini öğrenerek bir matematiksel referans oluşturması ve bu referanstan sapan hataların Üç Sigma kuralı ve PR-F2 eşik yöntemi ile siber saldırı olarak doğrulanmasıdır. Çalışmada Internet Firewall veri seti kullanılmıştır. Veri ön işleme aşamasında sağa çarpık dağılıma sahip değişkenlere logaritmik dönüşüm uygulanmış, ardından tüm giriş özellikleri standartlaştırılmıştır. Modeller yalnızca normal trafik verileriyle eğitilmiştir. Doğrulama ve test aşamalarında normal ve saldırı kayıtları birlikte kullanılmıştır. Lineer Regresyon, Ridge Regresyon, Destek Vektör Regresyonu, Çok Katmanlı Algılayıcı, Bir Boyutlu Evrişimli Sinir Ağı ve Otokodlayıcı tabanlı regresyon modelleri karşılaştırılmıştır. Modellerin performansları regresyon metrikleri ile değerlendirilmiş, ardından tahmin hataları kullanılarak Üç Sigma ve PR-F2 tabanlı eşikleme yöntemleriyle anomali tespiti gerçekleştirilmiştir. Elde edilen sonuçlar, yüksek regresyon başarımının her zaman yüksek anomali tespit başarımı anlamına gelmediğini göstermiştir. Modeller arasında Destek Vektör Regresyonu belirli performans metriklerinde başarılı sonuçlar üretirken, 1 Boyutlu Evrişimli Sinir Ağı modeli hem regresyon hem de anomali tespit performansları açısından daha dengeli ve kararlı sonuçlar sergilemiştir. Özellikle farklı eşikleme yöntemleri altında tutarlı performans göstermesi, 1D-ESA mimarisinin ağ trafiğindeki karmaşık örüntüleri öğrenmede etkili olduğunu ortaya koymuştur. Sonuç olarak çalışma, regresyon hatalarına dayalı eşikleme yaklaşımının ağ güvenliğinde etkili bir karar destek mekanizması olarak kullanılabileceğini göstermektedir.