Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13087/2926
Title: A semi supervised classification based approach using autoencoders for intrusion detection system
Other Titles: Autoencoder kullanan yarı denetimli sınıflandırma tabanlı saldırı tespit sistemi
Authors: Perkgöz, Cahit
Uysal, Alper Kürşat
Arslan, Ahmet
Alattar, Ahmad Hamdi
Keywords: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Computer Engineering and Computer Science and Control
Issue Date: 2022
Publisher: Eskişehir Teknik Üniversitesi
Abstract: 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.
With the major developments in Internet-of-Things (IoT), cloud-based solutions, and wide selection of data traffic, there is a rising demand for powerful anomaly detection methods for intrusion detection systems (IDS) that can overcome sophisticated network attacks. Rapid advancements in deep learning (DP) and machine learning (ML) have gained the attention of researchers as it has the opportunity to bring a powerful solution to complex attacks. In comparison to other conventional techniques, such as firewall, an Intrusion Detection System (IDS) is the first layer of protection against network-based cyberattacks. Currently available intrusion detection approaches are often based on conventional machine learning models such as Random Forest and Support Vector Machine, and while they depend heavily on manual feature extraction, they have relatively a lower level of accuracy. To overcome the shortcomings of intrusion detection systems in terms of detection and feature extraction, a unique approach to incorporating both supervised learning as well as unsupervised learning (Semi supervised) into Intrusion Detection Systems (IDS) is proposed. The proposed method is utilizing Deep Autoencoder (DAE) being a dimensionality reduction technique. The trained DAE encoder cannot just automatically extract features, also the latent layer can be used as an input to supervised learning algorithms such as Naive Bayes and K-Nearest Neighbor to enhance the detection accuracy of IDS. The overall performance of the proposed model is evaluated using the UNSW-NB15 dataset. The results show that the model has better performance than a number of models where Deep Autoencoder (DAE) is not used.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=5XiSE4yCP_gmnukpMEp65VBYgysINRbTZRJdi0-VTDlpidN45v9xAZpxX7ZlyOfY
https://hdl.handle.net/20.500.13087/2926
Appears in Collections:Tez Koleksiyonu

Show full item record

CORE Recommender

Page view(s)

42
checked on Oct 3, 2022

Google ScholarTM

Check


Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.