An enhanced attentıon and dılated convolutıon based ensemble modelbased network ıntrusıon detectıonsystem agaınst adversarıal evasıonattacks usıng enhanced cheetahoptımızer

Ağ tehditlerine karşı uzun süre güvenilir bir savunma sistemine Saldırı Tespit Sistemi (IDS) denir. Ağda şüpheli veya kötü niyetli faaliyetler tespit edildiğinde, savunmacılar IDS tarafından bilgilendirilir. Son on yılda, makine öğrenimi, IDS'nin daha doğru, daha analiz yeteneğine sahip ve bilinen saldırıların yeni veya değiştirilmiş biçimlerini bulmada daha yetenekli hale gelmesine yardımcı oldu. Makine öğrenimi tekniğinin gelişmiş bir versiyonu olan derin öğrenme, ağ güvenliği alanında çok önemlidir. Ek olarak, derin öğrenmeye dayalı bir Ağ Saldırı Tespit Sistemi (NIDS), geleneksel IDS tekniklerinden daha iyi performans gösterir. Ancak son çalışmalar, gerçek zamanlı olarak saldırganlarla karşı karşıya kaldığında, derin öğrenmeye dayalı IDS'nin biraz yanlış hale geldiğini göstermektedir. Saldırı modellerinin NIDS'yi nasıl etkileyeceği konusunda da herhangi bir analiz yapılmamıştır. Burada, düşmanca kaçınma saldırılarına karşı savunmak için geliştirilmiş derin öğrenmeye dayalı bir NIDS modeli tasarlanmıştır. Gerekli veriler öncelikle yaygın olarak bulunan web sitelerinden toplanır. En iyi özellik çıkarımı, toplanan veriler üzerinde gerçekleştirilir. Burada, Geliştirilmiş Çita Optimizasyon Aracı (ICO) kullanılır. Ardından, en iyi şekilde çıkarılan özelliklerden saldırıları tespit etmek için Dikkat ve Genişletilmiş Tabanlı Topluluk Ağı (ADEN) uygulanır. Derin Zamansal Evrişimsel Sinir Ağı (DTCN), Uzun Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Birim (GRU) modelleri, önerilen ADCEN'i devreye almak için bir araya getirilir. Son olarak, ADEN saldırıları tespit eder ve bulanık sıralama yaklaşımını kullanarak ilgili çıktıları üretir. Önerilen derin öğrenme tabanlı NIDS'nin düşman saldırılarına karşı savunmasını iyi bir şekilde göstermek için, geleneksel modellere karşı deneyler yapılır.