KURUMSAL BİLGİSAYAR AĞLARINDAKİ TRAFİK BİLGİSİNİN AKILLI SİSTEMLER İLE SINIFLANDIRILMASI

Abstract

İnternet kullanımının daha verimli hale getirilmesi amacıyla, internet üzerindeki verilerin sınıflandırılması özellikle kurumsal ağları yöneten ağ yöneticileri açısından önemli bir yer tutmaktadır. Son zamanlarda internet trafiğinin sınıflandırılmasına yönelik çalışmalar artmıştır. Bu çalışmalar ile ağ üzerinde servis kalitesinin artırılması, ağın verimli kullanılabilmesi, hizmet paketlerinin oluşturulması ve kullanıcılara sunulabilmesi amaçlanmaktadır. İnternet trafiğinin sınıflandırılması amacıyla kullanılan ilk sınıflandırma yöntemi port numaralarının kullanılmasına yönelik sınıflandırmadır. Bu sınıflandırma yöntemi, internetin ilk kullanım zamanları için etkili ve hızlı bir sınıflandırma yöntemi olmasına rağmen günümüzde geçerliğini yitirmiştir. Ağ trafiğinin sınıflandırılması için kullanılan bir diğer sınıflandırma yöntemi ise yük tabanlı sınıflandırma veya derin paket analizi olarak adlandırılmaktadır. Bu yaklaşım ağda akan paketler üzerindeki imzaları tanımaya çalışarak sınıflandırma yapma prensibine dayalıdır. Günümüzde yaygın olarak kullanılan ve bu tez çalışması için de seçilen bir diğer internet trafiğinin sınıflandırılması yöntemi ise makine öğrenmesi tabanlı yaklaşımlardır. Ağ üzerindeki akış bilgisinin toplanarak daha çok istatistiki yöntem ve algoritmaların kullanılması ile sınıflandırma yapılmasına dayanır. Tez çalışmasında, internet trafiğinin sınıflandırılması için daha önce hemen hemen hiç kullanılmamış olan Uç Öğrenme Makineleri (UÖM) yöntemleri kullanılmıştır. UÖM'nin başarımını karşılaştırabilmek amacıyla daha önce kullanılan makine öğrenmesi algoritmalarından Destek Vektör Makineleri (DVM), Naive Bayes (NB) ve Yapay Sinir Ağları (YSA) da veri setlerine uygulanarak karşılaştırılmıştır. UÖM algoritmaları ile yapılan sınıflandırma da diğer makine öğrenmesi algoritmalarına göre daha hızlı ve daha yüksek oranda başarım sağlandığı gözlenmiştir. Tez verilerine hem klasik hem de Çekirdek Tabanlı UÖM (ÇTUÖM) yaklaşımları uygulanarak sınıflandırma yapılmıştır. Sınıflandırıcıların her bir sınıfı için Alıcı İşlem Karakteristik (AİK) eğrileri oluşturulmuştur. Özellikle dalgacık fonksiyonunun kullanıldığı ÇTUÖM algoritmasında kullanılan parametrelerin iyi derecede seçimi için Genetik Algoritma (GA) tabanlı bir yazılım (GA-DF-ÇTUÖM) geliştirilmiştir.The classification of data on the internet in order to make internet use more efficient has an important place especially for network administrators managing corporate networks. Studies for the classification of internet traffic have increased recently. By these studies, it is aimed to increase the quality of service on the network, use the network efficiently, create the service packages and offer them to the users. The first classification method used for the classification of the internet traffic was the classification for the use of port numbers. This classification method has already lost its validity although it was an effective and quick method of classification for the first usage times of the internet. Another classification method used for the classification of network traffic is called as payload-based classification or deep packet inspection. This approach is based on the principle of classification by identifying signatures on packets flowing on the network. Another method of classification of the internet traffic which is commonly used in our day and has been also selected for this study is the extreme learning machine based approaches. It is based on classifying by the use of more statistical methods and algorithms collecting the flow information on the network. For the classification of the internet traffic, extreme learning machines (ELM), which were hardly ever used in previous studies, were used. In order to compare the performance of ELM, support vector machines (SVM), Naive Bayes (NB) and artificial neural networks (ANN) from learning machine algorithms used before were also compared by applying to data set. It was observed that a faster and higher level performance was achieved in the classification made with ELM algorithms compared to other learning machine algorithms. Classification was made by applying both classical and kernel based ELM (KELM) approaches to data. The receiver operating characteristic (ROC) curves were created for each class of the classifiers. In particular, wavelet function which uses the KELM algorithm used parameters for the selection of a good degree of genetic algorithm (GA) based software (GA-WF-KELM) was developed.