Atıf Sayısı
12
Görüntüleme
21
İndirme
4
Bu çalışmada CSE-CIC-IDS2018 veri kümesi üzerinde saldırı tespiti amaçlanmıştır. Kullanılacak yöntemler tek seviyeli yöntem ve iki seviyeli hibrit yöntem olarak iki bölüme ayrılmıştır. Çalışmada Evrişimsel Sinir Ağı (CNN), Rastgele Orman, Hafif Gradyan Artırma (LGBM), (CNN + Rastgele Orman), (LGBM + Rastgele Orman) ve (Rastgele Orman + Rastgele Orman) makine öğrenmesi yöntemleri kullanılarak veri kümesi ele alınmıştır. %98 doğruluk oranı ve 0.86 macro F-skoru ile (CNN + Rastgele Orman) hibrit modelinin en iyi saldırı tespiti yaptığı görülmüştür. Ayrıca, GridSearch ile hiperparametre optimizasyonu yapılmış, Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve yüksek korelasyonlu özniteliklerin tespit üzerindeki etkisi incelenmiştir.
This study aims to detect attacks on the CSE-CIC-IDS2018 data set. The methods to be used are divided into two divisions as one-level method and two-level hybrid method. The study addressed the data set using the methods of machine learning of the evolutionary nerve network (CNN), the random forest, the light gradyan increase (LGBM), (CNN + the random forest), (LGBM + the random forest) and (the random forest + the random forest). With a 98% accuracy rate and a 0.86 macro F score, the hybrid model (CNN + Rastgele Forest) was found to have made the best attack detection. In addition, hyperparameter optimization with GridSearch has been conducted, the effect on the detection of synthetic minority excess sample technique (SMOTE) and high correlation properties has been studied.
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Atıf Yapanlar
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Bu Sayfayı Yazdırın
Paylaş
Mendeley
