Derin öğrenme yöntemleri ile siber saldırıların tespıtı

Abstract

Bilgisayar ağlarının yaygınlaşmasıyla birlikte Dağıtık Hizmet Reddi (DDoS) saldırıları, bilgi sistemleri için ciddi bir tehdit haline gelmiştir. Bu saldırılar, hedef sistemlerin bant genişliğini ve kaynaklarını tüketerek hizmet veremez duruma gelmesine neden olmaktadır. Geleneksel imza tabanlı saldırı tespit sistemleri, yeni ve bilinmeyen saldırı türleri karşısında yetersiz kalabilmektedir. Bu nedenle, makine öğrenmesi ve derin öğrenme tabanlı yöntemler son yıllarda saldırı tespitinde ön plana çıkmıştır. Bu tez çalışmasında, CIC-DDoS2019 veri seti kullanılarak SYN-Flood ve UDP-Flood DDoS saldırılarının tespiti için derin öğrenme tabanlı bir saldırı tespit sistemi geliştirilmiştir. Veri setinde bulunan ciddi sınıf dengesizliği problemi, Üretici Çekişmeli Ağlar (GAN) kullanılarak giderilmiştir. GAN ile yalnızca eğitim verisi üzerinde sentetik örnekler üretilmiş, test verisi orijinal dağılımı korunarak değerlendirme yapılmıştır. Sınıflandırma modeli olarak Çok Katmanlı Algılayıcı (MLP) kullanılmıştır. GAN destekli veri artırma sonrası modelin doğruluk, F1-skor ve ROC-AUC değerlerinde belirgin artışlar gözlemlenmiştir. Elde edilen sonuçlar, GAN tabanlı veri artırmanın DDoS saldırı tespitinde özellikle azınlık sınıflar için model performansını önemli ölçüde iyileştirdiğini göstermektedir.