Saldırı Tespit Sistemlerinde Kullanılan Kolay Erişilen Makine Öğrenme Algoritmalarının Karşılaştırılması
Abstract
Bilgisayar sistemlerinin yaygınlaşmasıyla, sistemlerin güvenliğini sağlayan araçlar önem kazanmaktadır. Bu araçların en önemlilerinden biri olan Saldırı Tespit Sistemlerine (STS) duyulan önem artmaktadır. Bu sistemlerin eğitiminde geleneksel yöntemlerin yanı sıra, çok sayıda Makine Öğrenme yöntemi kullanılabilir. Makine Öğrenme yöntemlerinin bu alanda etkinliğini araştırmak için, bu çalışmada en çok kullanılan 4 yöntemin başarısı test edilmiştir. Bu çalışmada akademik STS araştırmalarında en çok kullanılan KDD99 veri seti kullanılmıştır. Veri seti üzerinde yaygın kullanılan dört algoritmanın performansları, Weka Makine Öğrenmesi Tezgahı kullanılarak karşılaştırılmıştır. Kullanılan algoritmalar: Karar Ağaçları, Yapay Sinir Ağları, Destek Vektör Makineleri ve AdaBoost yöntemleridir.
Abstract
Security tools becomes more and more important as computers systems becomes common in Enterprises and normal life and security of these systems becomes an important issue. Need for Intrusion Detection Systems increases since they are among the most important security tools in use. A lot of different Machine Learning algorithms can be used in IDS. This work uses KDD99 as its dataset since it is the most used data set in IDS research. Four common algorithms are compared on this data set using Weka , Machine Learning Toolbox. Compared Algorithms are: Decision Trees, Neural Networks, Support Vector Machines and AdaBoost. According to results ; we conclude that using training KDD99 dataset without any preprocessing gives too good results. Even though Intrusion Detection System’s performance on KDD99 dataset should be taken into account, this performance is not gold standard, and should not be thought as Intrusion Detection System will perform equally well in real system.
Details
| Primary Language | Turkish |
|---|---|
| Subjects | Engineering |
| Journal Section | Articles |
| Authors | |
| Publication Date | May 31, 2012 |
| Submission Date | May 31, 2012 |
| Published in Issue | Year 2012 Volume: 5 Issue: 2 |
