SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 3

Karanlık ağ trafiğinin makine öğrenmesi yöntemleri kullanılarak tespiti ve sınıflandırılması

Mesut UĞURLU
İbrahim DOGRU
Recep Sinan ARSLAN
Pages
1737–1746
Publication Date
2023-01-06
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan deneysel çalışmalarda Karar Ağacı algoritmasının %93,32 doğruluk oranı ile en yüksek sınıflandırma başarısına sahip olduğu görülmüştür.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Dijitalleşme ile suç dünyası da dijital bir hale gelmiştir ve internet üzerinden işlenen suçların sayısı her geçen gün artmaktadır.
📊
Key Findings & Data:Karanlık Ağlar normal internet altyapısından farklı ve özel erişim yöntemlerine sahiptirler.
💡
Conclusion & Impact:Yapılan deneysel çalışmalarda Karar Ağacı algoritmasının %93,32 doğruluk oranı ile en yüksek sınıflandırma başarısına sahip olduğu görülmüştür.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Karanlık Ağ · siber güvenlik · şifreli ağ trafiği

Özet

Dijitalleşme ile suç dünyası da dijital bir hale gelmiştir ve internet üzerinden işlenen suçların sayısı her geçen gün artmaktadır. Siber suçlular ve saldırganlar kimliklerini gizlemek ve şifreli iletişim sağlamak için Karanlık Ağ adı verilen ve internet üzerinde bulunan gizli ağları kullanmaktadırlar. Karanlık Ağlar normal internet altyapısından farklı ve özel erişim yöntemlerine sahiptirler. Bu ağlara yapılan tüm erişimler şüphelidir ve incelenmesi gerekmektedir. Karanlık Ağ, şifreli iletişim sağladığı için günümüz güvenlik araçları ile tespit edilmesi ve sınıflandırılması zordur. Bu çalışmada şifreli ağ trafiği deşifreleme işlemi yapılmadan sadece paketlerin istatistiki bilgileri makine öğrenmesi yaklaşımı kullanılarak analiz edilmiştir. Veri seti olarak açık kaynak olan CICDarknet2020 veri seti kullanılmıştır. Paket analizi için K En Yakın Komşu, Lojistik Regresyon, Rassal Orman, SVM, Karar Ağacı, Gaussian Naive Bayes, Doğrusal Ayrımcı Analiz, Gradyan Artırma, Ekstra Ağaç ve XGBoost algoritmalarını kapsayan detaylı bir deneysel çalışma gerçekleştirilmiştir. Yapılan deneysel çalışmalarda Karar Ağacı algoritmasının %93,32 doğruluk oranı ile en yüksek sınıflandırma başarısına sahip olduğu görülmüştür.

🔖

Cite This Article

UĞURLU, M., DOGRU, İ., ARSLAN, R. S. (2023). Karanlık ağ trafiğinin makine öğrenmesi yöntemleri kullanılarak tespiti ve sınıflandırılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 3, 1737–1746. https://ajindex.com/articles/875700

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (18)

  1. Moore R., Cyber crime: Investigating High-Technology Computer Crime, Anderson Publishing, Mississippi, 2005.
  2. Okutan A., Çebi Y., A Framework for Cyber Crime Investigation, Procedia Computer Science, 158, 287-294, 2019.
  3. Holt T.J., Bossler A.M., Seigfried-Spellar K.C., Cybercrime and Digital Forensics, Routledge, New York, 2018.
  4. Sağıroğlu Ş., Alkan M., Siber Güvenlik ve Savunma, Grafiker Yayınları, Ankara, 2018.
  5. Meland P.H., Bayoumy Y.F.F., Sindre G., The Ransomware-as-a-Service economy within the darknet, Computers & Security, 92 (101762), 1-9, 2020.
  6. Bancroft A., The Darknet and Smarter Crime, Palgrave Macmillan, Cham, 2020.
  7. Rathod D., Darknet Forensics, International Journal of Emerging Trends & Technology in Computer Science, 6, (4), 77-79, 2017.
  8. Ling Z., Luo J., Yu W., Fu X., Jia W., Zhao W., Protocol-level attacks against Tor, Computer Networks, 57, (4), 869-886, 2013.
  9. Yang Q., Gasti P., Balagani K., Li Y., Zhou G., USB side-channel attack on Tor, Computer Networks, 141, 57-66, 2018.
  10. Owenson G., Cortes S., Lewman A., The darknet's smaller than we thought: The life cycle of Tor Hidden Services, Digital Investigation, 27, 17-22, 2018.
  11. Dingledine R., Mathewson N., Syverson P., Tor: The Second-Generation Onion Router, 13, 1-17, 2004.
  12. Mansfield-Devine S., Darknets, Computer Fraud & Security, 12, 4-6, 2009.
  13. Bou-Harb E., Debbabi M., Assi C., Cyber Scanning: A Comprehensive Survey, IEEE Communications Surveys & Tutorials, 16, (3), 1496-1519, 2014.
  14. Lashkari A.H., Kaur G., Rahali A., DIDarknet: A Contemporary Approach to Detect and Characterize the Darknet Traffic using Deep Image Learning, 10th International Conference on Communication and Network Security, Tokyo, 1-13, November, 2020.
  15. Barker J., Hannay P., Szewczyk P., Using traffic analysis to identify The Second Generation Onion Router, IFIP Ninth International Conference on Embedded and Ubiquitous Computing, Melbourne, 72-78, 2011.
  16. Shahbar K., Zincir-Heywood A.N., Benchmarking Two Techniques for Tor Classification, IEEE Symposium on Computational Intelligence in Cyber Security, Orlando-USA, 1-8, 9-12 December, 2014.
  17. Almubayed A., Hadi A., Atoum J., A Model for DetectingTor Encrypted Traffic using Supervised Machine Learning, Computer Network and Information Security, 7, 10-23, 2015.
  18. Ali S.H.A., Ozawa S., Ban T., Nakazato J., Shimamura J., A neural network model for detecting DDoS attacks using darknet traffic features, International Joint Conference on Neural Networks, Vancouver-Canada, 2979-2985, 24-29 July