Ağ Trafiği Anomali Tespitinde MLOps Tabanlı Makine Öğrenmesi Yaklaşımlarının Karşılaştırmalı Analizi

Abstract

Ağ trafiği anomali tespiti, siber güvenlik sistemlerinde kritik bir rol oynamaktadır. Bu çalışmada ağ trafiği anomali tespiti problemi için farklı makine öğrenmesi modüllerinin performansı, uçtan uca bir MLOps platformu üzerinde karşılaştırmalı olarak değerlendirilmiştir. Çalışma kapsamında TensorFlow Decision Forests (TFDF), LightGBM, System AutoML ve H2O AutoML modülleri aynı veri seti ve deney protokolü kullanılarak analiz edilmiştir. Modellerin performansı Accuracy, AUC, Precision, Recall, F1, Kappa ve MCC metrikleri ile değerlendirilmiştir. Deneysel sonuçlar, TFDF Gradient Boosted Trees modelinin %92.50 doğruluk skoru ile en dengeli performansı sağladığını göstermektedir. Çalışma, model seçiminin yalnızca doğruluk metriğine göre yapılmasının yeterli olmadığını ve özellikle güvenlik uygulamalarında Recall ve F1 dengesinin kritik önem taşıdığını ortaya koymaktadır. Ayrıca MLOps platformu üzerinde çalışan farklı modüllerin deneylerin tekrarlanabilirliğini ve karşılaştırılabilirliğini artırdığı gösterilmiştir.