ARTİFİCİAL İNTELLİGENCE ENHANCED HYBRİD İNTRUSİON DETECTİON MODEL FOR LOCAL AREA NETWORKS

Abstract

Günümüz dijital ortamında, siber güvenlik tehditleri hızla evrim geçirmekte ve bu tehditler karşısında etkili koruma sağlamak zorlaşmaktadır. Saldırı Tespit Sistemleri (STS), modern bilgi güvenliği stratejilerinin temel unsurlarından biri olarak kabul edilmektedir. Yapay zeka modelleri yardımıyla saldırı tespit performansları sürekli geliştirilen STS sistemlerinde istenen saldırı tespit performansı henüz yakalanamamıştır. Bu çalışmada kurumların lokal ağlarına yönelik yapılan siber saldırıların tespitine yönelik bir veri seti oluşturulmuştur. Lokal ağlarda sıklıkla karşılaşılan, veri kayıplarına ve servis kesintilerine sebep olan Arp Spoofing, MAC flooding, DHCP starvation, STP Root Bridge ve Rogue DHCP server saldırı vektörleri kullanılarak bir veri kümesi oluşturulmuştur. Oluşturulan veri setinin saldırı tespit kapasitesinin ölçülmesi için, karar ağaçlarını temel alan bir gradyan güçlendirme algoritması olan Extreme Gradient Boostin (XGBoost) sınıflandırıcısı kullanılmıştır. Saldırı tespit performansını artırmak için yapılan hiper parametre optimizasyonu sonucunda önerilen veri seti üzerinde %89.76'lık doğruluk değerlerine ulaşılmıştır. Ayrıca, saldırı tespit konusundaki en önemli parametrelerden biri olan saldırı tespit süresi de önerilen model için 8.32 saniye gibi kısa bir süredir. Elde edilen bu sonuçlar önerilen veri setinin ve modelin saldırı lokal ağlardaki saldırıların tespitindeki gücünü göstermektedir.

In today's digital environment, cyber security threats are evolving rapidly and it is becoming more difficult to provide effective protection against these threats. Intrusion Detection Systems (IDS) are recognized as one of the key elements of modern information security strategies. Intrusion detection performance of IDS systems is continuously improved with the help of artificial intelligence models, but the desired intrusion detection performance has not yet been achieved. In this study, a data set has been created for the detection of cyber attacks on the local networks of organizations. A dataset was created using Arp Spoofing, MAC flooding, DHCP starvation, STP Root Bridge and Rogue DHCP server attack vectors, which are frequently encountered in local networks and cause data loss and service interruptions. Extreme Gradient Boost (XGBoost) classifier, a gradient boosting algorithm based on decision trees, was used to measure the intrusion detection capacity of the generated dataset. As a result of the hyperparameter optimization to improve the intrusion detection performance, an accuracy of 89.76% was achieved on the proposed dataset. In addition, the attack detection time, which is among the most crucial intrusion detection criteria, is as short as 8.32 seconds for the suggested model. These outcomes demonstrate the effectiveness of the suggested methodology and dataset in identifying intrusions in limited networks.