BİLGİSAYAR AĞ TRAFİĞİNİN SİNYAL DÜZEYİNDE İNCELENEREK YAPAY SİNİR AĞLARI İLE SINIFLANDIRILMASI

Abstract

Bilgisayar ağlarında trafiğin sınıflandırılması, ağ yönetimi ve güvenliği açısından kritik rol oynamaktadır. Ağ trafiği sınıflandırması; servis sağlayıcılar, kurumlar ve güvenlik analistleri tarafından ağ optimizasyonu, erişim kontrolü, saldırı tespiti ve anomali analizi gibi amaçlarla yaygın olarak kullanılmaktadır. Geleneksel tekniklerde sınıflandırma, ağ paketlerinin çözümlenmesinden sonra içerik incelemeye dayalı olarak paket seviyesinde ya da akışlara ait istatistiksel özellikler üzerinden akış düzeyinde gerçekleştirilmektedir. Bu tez çalışmasının amacı, geleneksel yöntemlerden farklı olarak, fiziksel katman sinyallerine dayalı yeni bir ağ trafiği sınıflandırma tekniği geliştirmektir. Çalışmanın temel hipotezi, ağ trafiğinin henüz elektrik sinyali formundayken de sınıflandırmaya yarayan bilgiler barındıracağı, uygun görselleştirme ve derin öğrenme yöntemleriyle bu bilgilerin işlenebileceğidir. Araştırmada, ağ trafiğini temsilen toplamda 10 farklı protokole ait paketler toplanmış, bu paketler ağa tekrar gönderilmiş ve osiloskop yardımıyla paket sinyalleri kaydedilmiştir. Fiziksel katmandan elde edilen bu sinyallerden özgün veri setleri (SigNet-6 ve SigNet-10) oluşturulmuştur. Veri setlerindeki paket sinyalleri, zaman serisi ve zaman-frekans temelli sekiz farklı teknikle görselleştirilmiş ve bu görseller kullanılarak dokuz farklı Evrişimsel Sinir Ağı mimarisi eğitilmiştir. Bulgular, sinyal uzunluklarının sabitlenmesi ve scalogram temsillerinin kullanılmasıyla sınıflandırma başarısının belirgin şekilde arttığını ortaya koymuştur. Özellikle Darknet-53 ve VGG16 mimarileri, %99'un üzerinde doğruluk oranları elde ederek dikkat çekici sonuçlar üretmiştir. Ayrıca, farklı dalgacık fonksiyonlarıyla üretilen scalogramların sınıflandırma performansını doğrudan etkilediği belirlenmiştir. Sonuç olarak, bu tez çalışması sinyal seviyesinde ağ trafiği sınıflandırmasının mümkün ve etkili olduğunu göstermiş, özgün veri setleri ve sistematik yöntem adımlarıyla literatüre katkı sağlamıştır. Çalışma, hem akademik araştırmalar hem de ağ trafiği analizi uygulamaları için yeni bir bakış açısı ve güçlü bir referans sunmaktadır.In computer networks, traffic classification plays a critical role in management and security. It is widely used by service providers, organizations, and security analysts for purposes such as network optimization, access control, attack detection, and anomaly analysis. Traditional methods perform classification either at the packet level, by inspecting packet content after parsing, or at the flow level, using flow-based statistical features. This thesis aims to develop a novel network traffic classification technique based on physical-layer signals, different from conventional approaches. The main hypothesis is that traffic contains information useful for classification even in its electrical signal form, which can be exploited through appropriate visualization and deep learning methods. In the study, packets from different protocols were collected to represent network traffic, retransmitted over the network, and captured using an oscilloscope. From these physical-layer signals, dedicated datasets (SigNet-6 and SigNet-10) were created. Packet signals in the datasets were visualized using eight different time-series and time-frequency-based techniques, and these visual representations were used to train nine different Convolutional Neural Network architectures. The results show that standardizing signal lengths and using scalogram representations significantly improved classification performance. Notably, the Darknet-53 and VGG16 architectures achieved accuracy rates above 99%. Furthermore, scalograms generated with different wavelet functions were found to directly affect classification performance. In conclusion, this thesis demonstrates that signal-level network traffic classification is feasible and effective. By providing dedicated datasets and systematic methodological steps, it contributes to the literature and offers a strong reference for both academic research and network traffic analysis applications.