Bu çalýþmanýn temel amacý bir bilgisayar aðýndaki anormal davranýþlarý tespit etmek ve aða yapýlan saldýrýlarý sýnýflandýrmaktýr. Bu amaçla güncel saldýrýlarý ve diðer veri kümelerine göre daha fazla sayýda saldýrý türü içeren UNSW-NB15 veri seti, yapýlan saldýrýlarý tespit etmek için kullanýlmýþtýr. Aðdaki anormal davranýþlarý tespit etmeye yönelik model tasarlamanýn önemli bir adýmý olan özellik seçiminin model baþarýsý üzerindeki etkisini ölçmek için bir evrimsel optimizasyon algoritmasý olan Genetik Algoritma kullanýlmýþtýr. Yapýlan çalýþma ayný zamanda makine öðreniminde kullanýlan Karar Aðaçlarý ve Rastgele Orman gibi sýnýflandýrma algoritmalarýnýn güçlü ve zayýf yönlerini deðerlendirmeyi amaçlamaktadýr. Ayrýca ilgili algoritmalar kullanýlarak oluþturulan modelin doðruluk oranýnýn belirlenmesi ve en baþarýlý sýnýflandýrma algoritmasýnýn seçilmesi hedeflenmektedir. UNSW-NB15 veri seti üzerinde Genetik Algoritma yardýmýyla Karar Aðaçlarý ve Rastgele Orman sýnýflandýrma algoritmalarý özellik seçimi yapýlarak ve özellik seçimi yapýlmadan çalýþtýrýlarak elde edilen sonuçlar karþýlaþtýrýlmýþtýr. Özellik seçimi olmadan Karar Aðaçlarý algoritmasý %98,57 doðruluk oranýna ulaþýrken, Genetik Algoritma kullanýlarak özellik seçimi yapýldýðýnda bu oran %99,61'e çýkarýlmýþtýr. Diðer yandan Rastgele Orman algoritmasý özellik seçimi olmadan %98,45 doðruluk oranýna ulaþýrken, Genetik Algoritma kullanýlarak özellik seçimi yapýldýðýnda %99,49 doðruluk oraný elde edilmiþtir. Böylelikle özellik seçimi aþamasýnda Genetik Algoritma’nýn model baþarýsý üzerinde etkisinin olumlu yönde olduðu görülmüþtür. Ayrýca Karar Aðaçlarý algoritmasýnýn Rastgele Orman algoritmasýna göre daha baþarýlý olduðu sonucu elde edilmiþtir. ORCID NO: 0009-0006-3901-7434
Anahtar Kelimeler: Saldýrý Tespit Sistemi, Genetik Algoritma, Özellik Seçimi, Sýnýflandýrma, UNSW-NB15 Veri Kümesi
|
