Matris profil ve gramıan açısal toplam alan tabanlı özgün bir ağ saldırısı tespiti ve uygulama tanıma yaklaşımı

Ağ ihlalleri ve saldırılar, internet yapısı için ciddi bir tehdit oluşturmaktadır. İletişim ağlarının bütünlüğünü koruyabilmek için saldırıların doğru bir şekilde tanınma\-sı gereklidir. Ayrıca, güvenlik ve hizmet kalitesi açısından ağ trafiğinin doğru bir şekilde sınıflandırılması gereklidir. Makine öğrenmesi uygulamaları, ağ güvenliği de dâhil olmak üzere çeşitli alanlardaki sınıflandırma problemlerinde üstün performans sergilemiş\-tir. Gizli kalıpların ortaya çıkarılması karmaşık olarak değerlendirilmekte ve bu nedenle çeşitli yeni yöntemlere açık bir alan olarak görülmektedir. Matris Profil (MP) ve Gramian Açısal Toplam Alanı (GASF), makine öğrenmesi modellerinde başarıyla kullanılabilecek matematiksel algoritmalardır. Bu tez, MP ve GASF yöntemlerini makine öğrenmesi sınıflandırıcılarıyla birleştiren yeni bir ağ saldırısı tespit ve uygulama sınıflan\-dırma yöntemi sunmaktadır. Rastgele Orman modelinin başarısı MP ile artırılabilirken, Evrişimsel Sinir Ağları(CNN) sınıflandırıcısının doğruluğu GASF yöntemiyle geliştirile\-bilir. Zaman serilerindeki desenleri görselleştirebilmek için öznitelikler GASF yöntemi ile görüntüye dönüştürülmektedir. Daha sonra bu görüntüler CNN modeline beslenmektedir. Zaman serilerindeki benzerlikler, Rastgele Orman sınıflandırıcısına girdi olarak kullanılmak üzere MP algoritması ile hesaplanmaktadır. Önerilen modelin değerlendirilmesi, çeşitli saldırılar ve ağ trafiği uygulama türlerini içeren herkese açık veri kümeleri ile gerçekleştirilmiştir. Doğrulama sonuçları, sunulan yaklaşımın başarılı ve uygulanabilir olduğunu kesin olarak kanıtlamaktadır. Bu çalışmanın temel başarısı, MP ve GASF gibi matematiksel algoritmaların makine öğrenmesi modelleriyle birleştiril\-erek doğru ağ saldırısı ve uygulama sınıflandırması elde edilebileceğinin gösterilmesidir.