Develop a robust computer network architecture that is resistant to unauthorized access by using machine learning methodologies

BT kullanımı hızla yeni alanlara yayıldıkça, bu sistemlerin güvenliğinin sağlanması gerekliliği de arttı. Bilgi teknolojisinin yaygınlaşmasının bir sonucu olarak siber saldırılar da çok daha karmaşık hale geldi. Sonuç olarak, SIDS gibi geleneksel güvenlik önlemleri yeni saldırı türlerini tespit etmekte başarısız oldu. İzinsiz Giriş Tespit Sistemleri (IDS), bir ağ içindeki zararlı verileri izlemeyi ve toplamayı mümkün kılar. IDS'lerin çoğunluğu potansiyel tehditleri tanımlamak için imzalara güveniyor. Bilinen tehditleri tanımlamak ve bunlara yanıt vermek için yönetici tarafından manuel olarak girilen veya sistem tarafından otomatik olarak oluşturulan bir dizi kural kullanırlar. Hizmetlerin her zaman kullanılabilirliğini korumak için ağ güvenliği uzmanları, izinsiz giriş girişimlerini hem önlemeye hem de bunlara yanıt vermeye odaklanır. Şüpheli eylemleri bulmak ve sınıflandırmak için güvenlik uzmanları IDS gibi araçlar kullanır. Bu nedenle gizliliği, güvenliği ve hizmetlerin devam eden sunumunu korumak için IDS'nin sürekli olarak en son izinsiz giriş saldırısı imzalarıyla güncel kalması çok önemlidir. IDS performansını değerlendirirken dikkate alınması gereken önemli faktörler, hızı ve yeni saldırıları öğrenme kapasitesidir. Bu çalışma, Veritabanlarında Bilgi Keşfi olarak da adlandırılan Bilgi Keşfi ve Veri Madenciliği (KDD) veri kümesi kullanılarak çeşitli Makine Öğrenimi tekniklerinin nasıl değerlendirilebileceğini göstermektedir. Öncelikli odak noktası, KDD'ye güçlü bir vurgu yaparak deneyler için kapsamlı ve temsili bir veri kümesi oluşturmaktır. Bu analiz için K-En Yakın Komşu (KNN) ve Çok Katmanlı Algılayıcı (MLP) sınıflandırıcılarını kullanmayı seçtik. KNN sınıflandırıcı, hem ikili sınıf (NORMAL vs. ABNORMAL) hem de çok sınıflı senaryolar için tüm KDD veri kümesi saldırı türlerini (DOS, R2L, U2R, NORMAL ve PROBE) tanıma ve sınıflandırmada en yüksek doğruluğu göstermiştir. Önerilen KNN ve MLP modellerini kullanan deneysel bulgular, KNN ve MLP kullanılarak yapılan ikili sınıflandırmanın doğruluğunun sırasıyla %99 ve %97 olduğunu göstermiştir. Ayrıca, çok sınıflı sınıflandırma, sırasıyla %92 ve %87'lik yüksek düzeyde doğruluk oranlarıyla daha önceki çalışmalara kıyasla daha iyi sonuçlar üretti. Bu tez, ağ akışı tabanlı izinsiz giriş tespiti için derin öğrenme tekniklerini, yani MNN ve MLP tasarımlarını kullanmanın etkinliğini araştırmaktadır.