Autoencoder kullanan yarı denetimli sınıflandırma tabanlı saldırı tespit sistemi

Nesnelerin İnterneti (IoT), bulut tabanlı çözümler ve geniş veri trafiği alanındaki gelişmeler, karmaşık ağ saldırılarının üstesinden gelebilecek, anormallik tespit yöntemlerine yönelik güçlü çözümler içeren yeni Saldırı Tespit Sistemlerinin (IDS) tasarlanabilmesinin yolunu açmıştır. Derin öğrenme (DP) ve makine öğrenimindeki (ML) hızlı gelişmeler, karmaşık saldırılara güçlü bir çözüm getirme fırsatına sahip olduğu için araştırmacıların dikkatini çekmiştir. Güvenlik duvarı gibi diğer geleneksel tekniklerle karşılaştırıldığında, Saldırı Tespit Sistemi (IDS), ağ tabanlı siber saldırılara karşı ilk koruma katmanıdır. Önceden var olan saldırı tespit sistemleri, genellikle Rassal Orman ve Karar Ağacı gibi geleneksel makine öğrenimi modellerine dayanmaktadır, ancak bu modeller daha çok yapay özellik çıkarımına (feature extraction) dayanmaktadır ve nispeten daha düşük doğruluğa sahiptir. Bu çalışmada Saldırı Tespit Sistemlerinde düşük algılama ve özellik çıkarma sorunlarını çözmek için, hem Güdümlü hem de Güdümsüz Öğrenme (Yarı Güdümlü) yaklaşımlarını Saldırı Tespit Sistemlerine (IDS) dahil etmek için yeni bir yaklaşım önerilmiştir. Önerilen model, bir boyut azaltma tekniği olan Derin Otokodlayıcı içermektedir. Eğitimli DAE kodlayıcı, özellikleri yalnızca otomatik olarak çıkarmaz, aynı zamanda bu gizli katman, IDS'nin algılama doğruluğunu artırmak için Naive Bayes ve Rassal Orman gibi Güdümlü Öğrenme algoritmalarına girdi olarak kullanılabilir. UNSW-NB15 veri setinde önerilen modelin genel performansı değerlendirilmiş ve sonuçların, modelin Derin Otokodlayıcı (DAE) kullanılmayan diğer modellere göre daha iyi bir performansa sahip olduğunu gösterdiği görülmüştür.