KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 26 Sayı: 2

ZEKİ SALDIRI TESPİT SİSTEMİ TASARIMI ve GERÇEKLEŞTİRİLMESİ

Şeref Sağıroğlu
Esra Yolaçan
Uraz Yavanoğlu
Sayfa
—
Yayın Tarihi
2013-02-20
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Son olarak, bu çalışmanın ülkemizde bilgi ve bilgisayargüvenliği konusunda yapılacak çalışmalara büyük katkılar sağlaması ve yeni ufuklar açması beklenmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, bilgi ve bilgisayar güvenliğini sağlamak için geliştirilen araçlardan birisi olan saldırı tespitsistemleri (STS) incelenmiş, STS geliştirmek için kullanılan yöntemler araştırılmış, mevcut STS çalışmalarıtartışılmış ve zeki bir STS geliştirilmiştir.
📊
Temel Bulgular & Veri:Bu sebeple STS geliştirilirken, yapay sinir ağı (YSA) ve zeki STS’lerbu çalışma kapsamında araştırılmış, STS’lerin uygulanması sırasında kullanılan veritabanları incelenmiş veişlem yeteneği mevcut STS’lerin üzerinde YSA tabanlı zeki bir STS yöntemi önerilmiş ve KDD’99 verileriyletest edilmiştir.Geliştirilen STS’den ve yapılan çalışmalardan elde edilen sonuçlar değerlendirildiğinde; 65536 test verisinin22sn de hesaplandığı ve her bir giriş verisi için geliştirilen sistemin sonuç üretme süresinin ise 0.00048sn olduğuve farklı eğitim ve test kümeleriyle yapılan testlerden elde edilen en yüksek başarım oranının %97,92 ve endüşük başarım oranının ise %81,93 olduğu görülmüştür.
💡
Sonuç & Katkı:Son olarak, bu çalışmanın ülkemizde bilgi ve bilgisayargüvenliği konusunda yapılacak çalışmalara büyük katkılar sağlaması ve yeni ufuklar açması beklenmektedir.
🔬Tür:Makale
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Saldırı Tespit Sistemi · Yapay Sinir Ağları · KDD’99

Özet

Bu çalışmada, bilgi ve bilgisayar güvenliğini sağlamak için geliştirilen araçlardan birisi olan saldırı tespitsistemleri (STS) incelenmiş, STS geliştirmek için kullanılan yöntemler araştırılmış, mevcut STS çalışmalarıtartışılmış ve zeki bir STS geliştirilmiştir. Bu sebeple STS geliştirilirken, yapay sinir ağı (YSA) ve zeki STS’lerbu çalışma kapsamında araştırılmış, STS’lerin uygulanması sırasında kullanılan veritabanları incelenmiş veişlem yeteneği mevcut STS’lerin üzerinde YSA tabanlı zeki bir STS yöntemi önerilmiş ve KDD’99 verileriyletest edilmiştir.Geliştirilen STS’den ve yapılan çalışmalardan elde edilen sonuçlar değerlendirildiğinde; 65536 test verisinin22sn de hesaplandığı ve her bir giriş verisi için geliştirilen sistemin sonuç üretme süresinin ise 0.00048sn olduğuve farklı eğitim ve test kümeleriyle yapılan testlerden elde edilen en yüksek başarım oranının %97,92 ve endüşük başarım oranının ise %81,93 olduğu görülmüştür. Son olarak, bu çalışmanın ülkemizde bilgi ve bilgisayargüvenliği konusunda yapılacak çalışmalara büyük katkılar sağlaması ve yeni ufuklar açması beklenmektedir.

🔖

Bu Makaleye Atıf Yap

Sağıroğlu, Ş., Yolaçan, E., Yavanoğlu, U. (2013). ZEKİ SALDIRI TESPİT SİSTEMİ TASARIMI ve GERÇEKLEŞTİRİLMESİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 26 Sayı: 2. https://ajindex.com/articles/1078553

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (180)

  1. Vural Y., Sağıroğlu Ş., Kurumsal Bilgi Güvenliği
  2. ve Standartları üzerine bir İnceleme, Gazi
  3. Üniversitesi Mühendislik-Mimarlık Fakültesi
  4. Dergisi, Cilt 23, No 2, s.507-522, 2008.
  5. Canbek G., Sağıroğlu Ş, Casus Yazılımlar:
  6. Bulaşma Yöntemleri Ve Önlemler, Gazi
  7. Dergisi, Cilt 23, No 1, 165-180, 2008.
  8. Vural Y., Sağıroğlu Ş, Kurumsal Bilgi
  9. Güvenliğinde Güvenlik Testleri ve Öneriler, Gazi
  10. Dergisi, Cilt:25, No:3, s.484-494, 2010.
  11. Sağıroğlu Ş, Bulut H., Mobil Ortamlarda Bilgi ve
  12. Haberleşme Güvenliği Üzerine Bir İnceleme, Gazi
  13. Dergisi, Cilt:24, No:3, s.499-508, 2009.
  14. Mahoney, M.V., Chan, P.K., “An analysis of the
  15. DARPA/Lincoln Laboratory Evaluation
  16. Data for network anomaly detection”, Recent Advances in Intrusion Detection (RAID2003),
  17. Lecture Notes in Computer Science., Springer-
  18. Verlag, 2820, 220-237, 2003.
  19. Anderson, J.P., “Computer security threat
  20. monitoring and surveillance”, Technical Report,
  21. Fort Washington, Pennsylvania, 1-30, 1980.
  22. Pei, J., Upadhyaya, S.J., Farooq, F., Govindaraju,
  23. V., “Data mining for intrusion detection:
  24. techniques, applications and systems,” 20th
  25. International Conference on Data Engineering
  26. (ICDE’04), 1063-6382, 2004.
  27. Lunt, T.F. “Automated audit trail analysis and
  28. intrusion detection: A survey”, 11th National
  29. Computer Security Conference, Baltimore, MD,
  30. 73, 1988.
  31. Denning, D.E., “An intrusion detection model”,
  32. IEEE Transactions on Software Engineering,
  33. : 118–131, 1987.
  34. Mukherjee, B., Heberlein, L.T., Levitt, K.N.,
  35. “Network intrusion detection”, IEEE Network,
  36. : 26-41, 1994.
  37. Crosbie, M., Spafford, E.H., “Defending a
  38. computer system using autonomous agents”,
  39. Technical Report 95-022, Dept. of Comp.
  40. Sciences, Purdue University, West Lafayette, 1-, 1995.
  41. Endler, D., “Intrusion detection applying machine
  42. learning to solaris audit data”, Annual Computer
  43. Security Applications Conference (ACSAC'98),
  44. 269, 1998.
  45. Axelsson, S., “Intrusion detection systems: A
  46. survey and taxonomy”, Technical Report 99-15,
  47. Dept. of Computer Eng., Chalmers University of
  48. Technology, Göteborg, Sweden, 1-23, 2000.
  49. Patcha, A., Park, J.M., “An overview of anomaly
  50. detection techniques: Existing solutions and latest
  51. technological trends”, Computer Networks,
  52. : 3448-3470, 2007.
  53. Cannady J., “Artificial neural networks for misuse
  54. detection”, Proceedings of the 1998 National
  55. Information Systems Security Conference
  56. (NISSC'98), Arlington, VA, 443-456, 1998.
  57. Sundaram, A., “An introduction to intrusion
  58. detection”, Crossroads: The ACM Student
  59. Magazine, New York, USA, 2(4), 3-7, 1996.
  60. Frank, J., “Artificial intelligence and intrusion
  61. detection: current and future directions”, Division
  62. of Computer Science, University of California at
  63. Davis, 1-12, 1994.
  64. Peddabachigari, S., Abraham, A., Grosan, C.,
  65. Thomas, J., “Modeling intrusion detection system
  66. using hybrid intelligent systems”, Journal of
  67. Network and Computer Applications, Elsevier,:114–132, 2007.
  68. Ryan, J., Lin, M.J., Mikkulainen, R., “Intrusion
  69. Detection with Neural Networks”, Advances in
  70. Neural Information Processing systems 10,
  71. Cambridge, MA, MIT Press, 1-7, 1998.
  72. Kayacik, H. G., Zincir-Heywood, A. N., Heywood
  73. M. I., “Selecting features for intrusion detection:
  74. A feature relevance analysis on KDD’99 intrusion
  75. detection datasets”, Third Annual Conference on
  76. Privacy, Security and Trust (PST-2005), St.
  77. Andrews, Canada, 85-89, 2005.
  78. Murali, A., Rao, M., “A survey on intrusion
  79. detection approaches”, First International
  80. Conference on Information and Communication
  81. Technologies, IEEE Communications Society
  82. Press, 233-240, 2005.
  83. Lee, S.C., Heinbuch, D.V., “Training a Neural-
  84. Network Based Intrusion Detector to Recognize
  85. Novel Attacks”, IEEE Transactions on systems,
  86. man, and Cybernetics-Part A: Systems and
  87. Humans, 31(4), 294-299, 2001.
  88. Bivens, A., Palagiri, C., Smith, R., Symanski, B.,
  89. Embrechts, M., “Network-Based Intrusion
  90. Detection Using Neural Networks”, Intelligent
  91. Engineering Systems through Artificial Neural
  92. Networks (ANNIE-2002), New York: ASME
  93. Press, 579-584, 2002.
  94. Mukkamala, S., Janoski, G., Sung, A., “Intrusion
  95. detection using neural networks and support
  96. vector machines”, IEEE International Joint
  97. Conference on Neural Networks, IEEE
  98. Computer Society Press, 1702-1707, 2002.
  99. Yang, X.R., Shen, J.Y., Wang, R., “Artificial
  100. Immune Theory Based Network Intrusion
  101. Detection System And The Algorithms Design”,
  102. First Internetional Conference on Machine
  103. Learning and Cybernetics, Beijing, 73-77, 2002.
  104. Moradi, M., Zulkernine, M., “A neural network
  105. based system for intrusion detection and
  106. classification of attacks,” 2004 IEEE
  107. International Conference on Advances in
  108. Intelligent Systems - Theory and Applications,
  109. Luxembourg-Kirchberg, Luxembourg, 148:1-6,
  110. Mukkamala, S., Sung, A.H., “Artificial Intelligent
  111. Techniques for Intrusion Detection”, IEEE
  112. International Conference on Systems, Man and
  113. Cybernetics, Washington D.C., USA, 2: 1266 –, 2003.
  114. Mukkamala, S., Sung, A.H., “Feature Selection
  115. for Intrusion Detection using Neural Networks and
  116. Support Vector Machines”, Journal of the
  117. Transportation Research Board of the National
  118. Academies, Transportation Research Record No., Washington D.C., USA, 33-39, 2003.
  119. Jackson, K.A., “Intrusion detection system (IDS)
  120. product survey”, Technical Report, LA-UR-99-, Los Alamos National Laboratory, Los
  121. Alamos, New Mexico, 1-96, 1999.
  122. Roy, A., “Artificial neural Networks - A science
  123. in trouble”, ACM SIGKDD Explorations, ACM
  124. SIGKDD, 1(2): 33-38, 2000.
  125. Sağıroğlu, Ş., Beşdok, E., Erler, M.,
  126. “Mühendislikte yapay zeka uygulamaları-1:
  127. Yapay sinir ağları”, Ufuk Kitabevi, Kayseri, 10-
  128. Güven E.N., Zeki Saldırı Tespit Sistemlerinin
  129. İncelenmesi, Tasarımı ve Gerçekleştirilmesi,
  130. Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek
  131. Lisans Tezi, 2007.
  132. İnternet: Massachusetts Teknoloji Enstitüsü
  133. Lincoln Laboratuarları “1998 DARPA Intrusion
  134. Detection Evaluation Data Set Overview”,
  135. http://www.ll.mit.edu/IST/ideval/data/1998/1998_
  136. data_index.html, 2007.
  137. Lincoln Laboratuarları “1999 DARPA Intrusion
  138. Detection Evaluation Data Set Overview”
  139. http://www.ll.mit.edu/IST/ideval/data/1999/1999_
  140. Lincoln Laboratuarları “2000 DARPA Intrusion
  141. http://www.ll.mit.edu/IST/ideval/data/2000/2000_
  142. Ghosh, A.K. C. Michael, M. Schatz, A real-time
  143. intrusion detection system based on learning
  144. program behavior, in: Proceedings of the Third
  145. International Workshop on Recent Advances in
  146. Intrusion Detection, Toulouse, France, 93–109,
  147. Ghosh, A.K. Schwartzbard, A., A study in using
  148. neural networks for anomaly and misuse
  149. detection, in: Proceedings of the Eighth
  150. USENIX Security Symposium, Washington, DC,
  151. 151, 1999.
  152. Ramadas, M., Tjaden, S.O.B., Detecting
  153. anomalous network traffic with self-organizing
  154. maps, in: Proceedings of the 6th International
  155. Symposium on Recent Advances in Intrusion
  156. Detection, Pittsburgh, PA, USA, 36–54, 2003.
  157. Lee, W., Stolfo, S.J., Chan, P.K., Eskin, E., Fan,
  158. W., Miller, M., Hershkop, S., Zhang, J., Real time
  159. data mining-based intrusion detection, in:
  160. Proceedings of the Second DARPA Information
  161. Survivability Conference and Exposition,
  162. Anaheim, CA, 2001, 85–100, 2001.
  163. Tan, K.M.C., Maxion, R.A., Determining the
  164. operational limits of an anomaly-based intrusion
  165. detector, IEEE Journal on Selected Areas in
  166. Communication 2, 96–110, 2003.
  167. Sarasamma, S.T., Zhu, Q.A., Huff, J.,
  168. Hierarchical Kohonen net for anomaly detection in
  169. network security, IEEE Transactions on
  170. Systems, Man and Cybernetics—PART B:
  171. Cybernetics 35, 302–312, 2005.
  172. Sung, A.H., Mukkamala, S., Identifying important
  173. features for intrusion detection using support
  174. vector machines and neural networks, in:
  175. Proceedings of the 2003 Symposium on
  176. Applications and the Internet, 209–216, 2003.
  177. Girardin, L., and Brodbeck, D., “A Visual
  178. Approach or Monitoring Logs,” In Proceedings
  179. of the 12th System Administration Conference
  180. (LISA’98), Boston, MA, December, 299-308,