Makine öğrenmesi yaklaşımı ile ağ anomalisi tespiti için hibrit model
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Ticaret Üniversitesi, Lisansüstü Eğitim Enstitüsü, Siber Güvenlik, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: KEREM SEVGİN
Danışman: Fatma Nur Akı
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tez çalışması, ağ trafiğinde meydana gelen anomali davranışlarının tespitine yönelik olarak makine öğrenmesi tabanlı bir yaklaşım önermektedir. Geliştirilen sistem, ikili sınıflandırma düzeyinde değerlendirilmiş; farklı algoritmalar kullanılarak elde edilen sonuçlar doğruluk, duyarlılık, kesinlik ve F1 skoru gibi temel metrikler üzerinden analiz edilmiştir. Çalışmanın temel katkısı, FP (False Positive) ve FN (False Negative) oranlarını ayrı katmanlarda optimize eden, üç aşamalı bir Ters Filtrelemeye Dayalı Hibrit IDS Yaklaşımı'nın tasarlanması ve uygulanmasıdır. Önerilen yaklaşımın ilk katmanında, XGBoost ağırlıklı bir VotingClassifier yapısı görev almış ve FN oranını en aza indirerek sistemin saldırı tespit hassasiyeti artırılmıştır. İkinci ve üçüncü katmanlarda ise sırasıyla LightGBM ve Logistic Regression modelleri yer alarak FP değerlerini baskılamak üzere filtreleme görevi üstlenmiştir. Böylece sistem hem saldırı kaçırma riskini azaltmakta hem de yanlış alarm üretimini kontrol altına almaktadır. Model eğitimi UNSW-NB15 veri seti ile gerçekleştirilmiş, ardından sistemin genellenebilirliğini test etmek amacıyla CIC-IDS2017 ve CIC-IDS2018 veri setleri kullanılmıştır. SMOTE tekniğiyle sınıf dengesizliği problemi giderilmiş, MinMaxScaler ile özellik ölçekleme yapılmış ve Select Best yöntemiyle nitelik seçimi uygulanarak yaklaşımın performansı artırılmıştır. Flask, MongoDB ya da yeniden eğitim gibi uygulamalar doğrudan bu tez kapsamında gerçekleştirilmemiştir. Ancak geliştirilen yaklaşımın modüler yapısı, ileride bu tür teknolojik bileşenlerin entegre edilmesine olanak tanıyacak şekilde kurgulanmıştır. Sistem, yalnızca statik analiz yapan bir IDS olmaktan öte, sürdürülebilir güvenlik çözümleri üretmeye açık bir platform mimarisi sunmaktadır. Ayrıca bu çalışmada doğrudan GAN, VAE gibi üretici (generative) modeller kullanılmamış olmakla birlikte, bu yöntemler literatürde kapsamlı biçimde incelenmiş ve geliştirilen yapının bu paradigmalara açık olacak biçimde tasarlandığı vurgulanmıştır. Özellikle sıfır gün saldırılarının simülasyonu ve sentetik veri üretimi gibi alanlarda Generative öğrenmenin sağlayabileceği katkılar teorik olarak değerlendirilmiştir. Sonuç olarak bu tez, sadece yüksek doğruluk sağlayan bir sınıflandırma modeli sunmakla kalmayıp; aynı zamanda genişletilebilirliği, sürdürülebilirliği ve gerçek dünya uygulamalarına uyarlanabilirliği ile literatüre güçlü bir katkı sunmaktadır.