AI Summary & Key Takeaways
AI InsightThe result of the experimental study shows that the Extreme Gradient Boosting algorithm has an impressive success rate of 98.18% accuracy in accurately identifying threatening incoming packets.
📌 3 Key Takeaways
Abstract
The widespread use of the Internet and the exponential increase in the number of devices connected to it bring along significant challenges as well as numerous benefits. The most important of these challenges, and the one that needs to be addressed as soon as possible, is cyber threats. These attacks against individuals, organisations and even entire nations can lead to financial, reputational and temporal losses. The aim of this research is to compare and analyse machine learning methods to create an anomaly-based intrusion detection system that can detect and identify network attacks with a high degree of accuracy. Examining, tracking and analysing the data patterns and volume in a network will enable the creation of a reliable Intrusion Detection System (IDS) that will maintain the health of the network and ensure that it is a safe place to share information. To have high accuracy in the prediction of the data set by using Decision Trees, Random Forest, Extra Trees and Extreme Gradient Boosting machine learning techniques. CSE-CIC-IDS2018 dataset containing common malicious attacks such as DOS, DDOS, Botnet and BruteForce is used. The result of the experimental study shows that the Extreme Gradient Boosting algorithm has an impressive success rate of 98.18% accuracy in accurately identifying threatening incoming packets.
Özet
İnternetin yaygınlaşması ve ona bağlı cihazların sayısındaki katlanarak artış, sayısız faydanın yanı sıra önemli zorlukları da beraberinde getirmektedir. Bu zorluklardan en önemlisi ve bir an önce gereken tedbirlerin alınması gereken kısım siber tehditlerdir. Bireylere, kurumlara ve hatta tüm uluslara yönelik bu saldırılar maddi, itibari ve zamansal kayıplara yol açabilmektedir. Bu araştırmanın amacı, ağ saldırılarını yüksek doğruluk derecesi ile tespit edebilen ve tanımlayabilen anomali tabanlı saldırı tespit sistemi oluşturmak için gerekli makine öğrenmesi yöntemlerinin karşılaştırılması ve analizidir. Bir ağdaki veri modellerinin ve hacminin incelenmesi, takibi, analizi ağın sağlığını koruyacak ve bilgilerin paylaşılması için güvenli bir yer olmasını sağlayacak olan güvenilir bir Saldırı Tespit Sisteminin (STS) oluşturulmasını sağlayacaktır. Karar Ağaçları, Rastgele Orman, Extra Ağaçlar ve Extreme Gradient Boosting makine öğrenme teknikleri kullanılarak veri setinin tahmininde yüksek doğruluğa sahip olmaktır. DOS, DDOS, Botnet ve BruteForce gibi yaygın kötü amaçlı saldırıları içeren CSE-CIC-IDS2018 veri kümesi kullanılmıştır. Yapılan deneysel çalışmanın sonucu, tehdit oluşturan gelen paketleri doğru bir şekilde belirlemede Extreme Gradient Boosting algoritması %98.18 doğruluk oranında etkileyici bir başarı oranı ortaya çıkarmıştır.