AI Summary & Key Takeaways
AI InsightThe results of the discussed studies show the great potential of using machine learningtechniques to implement IDS, where the Artificial Neural Networks (ANN) have shown the highest average performance,among other machine learning techniques.
📌 3 Key Takeaways
Abstract
AbstractRecently, it has become important to use advanced intrusion detection techniques to protect networks from thedeveloping network attacks, which are becoming more complex and difficult to detect. For this reason, machinelearning techniques have been employed in the Intrusion Detection Systems (IDS), so that, more complex featurescan be detected in the characteristics of the packets incoming to the network. As these techniques require trainingdata, many datasets are collected for this purpose. Some of these datasets have known issues that limit theability to apply intrusion detection systems built, based on these datasets, in real-life applications.In this study, the existing intrusion datasets are illustrated alongside with the known issues of each dataset, as wellas, the existing intrusion detection systems that employ machine learning techniques and use these datasets, arediscussed. As machine learning techniques extract different knowledge from different datasets, and each techniquehas different approaches to extract that knowledge, the performance of each technique is different fromone dataset to another. The results of the discussed studies show the great potential of using machine learningtechniques to implement IDS, where the Artificial Neural Networks (ANN) have shown the highest average performance,among other machine learning techniques.
Özet
ÖzetSon zamanlarda gelişen ağ saldırılarından korunmak için saldırı tespit sistemler önemli bir hale gelmiştir. Bu saldırılar,öncekilerden daha karmaşık ve tespit edilmesi zordur. Bu nedenle Makine Öğrenmesi teknikleri kullanılmayabaşlanmıştır. Böylece ağdan gelen paketlerin karekteristiklerinde, daha karmaşık özellikler tespit edilebilmektedir.Bu teknikler öğrenebilmek için belirli özelliklerde verysetine ihtiyaç duymaktadır. Bu amaç ile birçokvery seti toplanmıştır. Bu verisetlerinin bazıları gerçek hayat uygulamalarında saldırı tespit sistemlerinin uygulamasındabilinen limitlere sahiptir.Bu çalışmada Bu her bir veri setinin bilinen konularının yanı sıra, makine öğrenim tekniklerini kullanan ve bu verisetlerini kullanan mevcut saldırı tespit sistemleri ile birlikte herbir mevcut izinsiz veri kümeleri de tartışılmıştır. Makineöğrenme teknikleri farklı veri kümelerinden farklı bilgi çıkarımında bulunurlar ve her tekniğin bu bilgiyi eldeetmek için farklı yaklaşımları olduğu için, her tekniğin performansı, bir veri kümesinden diğerine farklıdır. Tartışılançalışmaların sonuçları, Yapay Sinir Ağları (YSA) ‘nın diğer makine öğrenme teknikleri arasında en yüksek ortalamaperformansı gösterdiği görülmüştür. Böylece Saldırı tespit sistemi uygulamaları için makine öğrenme tekniklerinikullanmanın büyük potansiyeli olduğu görülmüştür