MAKİNE ÖĞRENMESİ YÖNTEMLERİ KULLANILARAK DAĞITIK HİZMET REDDİ (DDOS) SALDIRILARININ BELİRLENMESİ

Abstract

Dijitalleşen dünya ile internet üzerinden verilen hizmetlerin kesintisiz olarak sunulması özellikle hastane, bankacılık, enerji vb. sistemlerde büyük önem taşımaktadır. Bu hizmetleri aksatmaya veya devre dışı bırakmaya yönelik birçok saldırı yöntemi mevcuttur. Bu yöntemlerden biri olan hizmet reddi saldırıları (DoS) her geçen gün daha da karmaşık, tespiti zor olmakla birlikte; bu türden saldırıları düzenlemek birçok araç sayesinde çok kolay ve düşük maliyetli hale gelmektedir. Saldırganlar çok az bilgi ve yeteneklerle hedef sistemlere dağıtık hizmet reddi saldırıları DDoS saldırıları gerçekleştirebilmekte ve hedef sistemleri bazen kısa süreli bazense günlerce sürecek şekilde hizmet veremez duruma getirebilmektedirler. Bu tezde, çevrimiçi olarak mevcut olan en yeni ve kapsamlı saldırı veri kümesi olan CIC-DDoS2019'u sınıflandırmak için K En Yakın Komşu, karar ağaçları ve destek vektör makineleri kullanılmıştır. Karar ağaçları yaklaşımı accuracy, precision, recall, f-1 score metriklerinde 0.99 değeriyle en başarılı model olmuştur. Destek vektör makineleri ise sırasıyla 0.88, 0.90, 0.89, 0.89 accuracy, precision, recall, f-1 score değerleri ile en kötü performansı göstermiştir. Elde edilen bu sonuçlardan sonra kullanılan makine öğrenmesi algoritmaları EN715 Jetson Nano yapay zeka kitine yüklenmiş ve bu kit üzerinden de çalıştırılmıştır. Kullanılan parametreler ve makine öğrenimi teknikleri göz önüne alındığında, bu tez DDoS saldırılarını kategorize etmek için bu teknikleri kullanmayı düşünen araştırmacılar için yararlı bir kaynak olacaktır. Bununla birlikte bu tezde DDoS saldırılarını sınıflandırmak için bir yapay zeka kiti başlangıç seviyesinde kullanılmıştır. Yapay zeka kiti üzerinden daha ileri seviyede çalışma yapacak araştırmacılar için temel düzeyde bilgiler sunulmuştur.With the digitalizing world, the uninterrupted provision of services provided over the internet is of great importance, especially in systems such as hospitals, banking, energy, etc. There are many attack methods to disrupt or disable these services. Denial of service attacks (DoS), one of these methods, are becoming more and more complex and difficult to detect, but organizing such attacks is becoming very easy and low-cost thanks to many tools. With very little knowledge and skills, attackers can perform distributed denial-of-service (DDoS) attacks on target systems and render them unavailable, sometimes for a short time and sometimes for days. In this thesis, K-Nearest Neighbor, decision trees and support vector machines are used to classify CIC-DDoS2019, the most recent and comprehensive attack dataset available online Decision trees approach was the most successful model with a value of 0.99 in accuracy, precision, recall, f-1 score metrics. Support vector machines showed the worst performance with accuracy, precision, recall, f-1 score values of 0.88, 0.90, 0.89, 0.89 respectively. After these results, the machine learning algorithms used were installed on the EN715 Jetson Nano artificial intelligence kit and run on this kit. Given the parameters and machine learning techniques used, this thesis will be a useful resource for researchers considering using these techniques to categorize DDoS attacks. However, in this thesis, an artificial intelligence kit is used at the initial level to categorize DDoS attacks. Basic information is provided for researchers who will conduct more advanced studies on the artificial intelligence kit.