Katman-2 saldırılarının tespiti için yapay zeka tabanlı yöntemlerinin geliştirilmesi

Abstract

Katman-2 saldırıların tespitine odaklanan yapay zeka tabanlı yöntemler, günümüzde ağ güvenliğinin güçlendirilmesinde önemli bir rol oynamaktadır. Bu yöntemler, ağ trafiğindeki anormalliklerin ve potansiyel saldırı davranışlarının hızlı ve etkili bir şekilde belirlenmesini sağlayarak, ağ yöneticilerine proaktif güvenlik önlemleri alma imkânı sunmaktadır. Özellikle yapay zeka tabanlı makine öğrenmesi algoritmaları, Katman-2 katmanındaki saldırıları tespit etmede yüksek başarı oranları ile dikkat çekmekte ve farklı saldırı türlerine karşı adaptif çözümler geliştirilmesine katkı sağlamaktadır. Tez kapsamında katman-2 saldırılarını içeren bir veri seti toplanmış ve yöntemler geliştirilmiştir. Tezde katman-2 saldırılarının tespitine yönelik iki temel katkı sunulmuştur. Birinci katkı t-SNE algoritması tabanlı saldırı tespit yöntemidir. DHCPstarvation, Macflood, ARPspoof, Normal, RogueDHCP ve Stp_attack saldırı türlerine ait veri seti kullanılmıştır. Bu veri setine t-SNE algoritması kullanılarak boyut indirgeme yapılmış ve özellikler çıkarılmıştır. Elde edilen özellikler Karar Ağacı algoritması ile sınıflandırılmıştır. Önerilen yöntem ile %90,87 maksimum doğruluk hesaplanmıştır. İkinci temel katkı ise U-Net segmentasyon tabanlı saldırı tespit yönteminin geliştirilmesidir. Bu çalışmanın temel motivasyonu, segmentasyon problemlerinde kullanılan U-Net algoritmasının saldırı tespit ve sınıflandırma probleminde kullanılmasıdır. t-SEN algoritması ile elde edilen özellikler 0-255 arasında normalize edilerek görüntülere dönüştürülmüştür. Her sınıf için farklı değerlere sahip sınıf etiketleri oluşturulmuştur. U-Net eğitim sonucunda %99,87 doğruluk hesaplanmıştır. Geliştirilen yöntemler, yalnızca ağ güvenliği alanında yapay zeka tabanlı çözümlerin etkinliğini artırmakla kalmaz, aynı zamanda ağ altyapılarının güvenliğini iyileştirmeye ve saldırılara karşı dayanıklılığını artırmaya katkı sağlamaktadır. Ayrıca, elde edilen sonuçlar, yeni ve yenilikçi savunma stratejilerinin geliştirilmesine temel oluşturur ve mevcut güvenlik önlemlerinin optimize edilmesine rehberlik etmektedir. Böylece, ağ güvenliği araştırmalarına hem teorik hem de pratik açıdan değerli bilgiler kazandırılmış ve gelecekteki saldırılara karşı daha hazırlıklı bir güvenlik yaklaşımı sunulmuştur.

AI-based methods focusing on the detection of Layer 2 attacks play a significant role in strengthening network security today. These methods enable the rapid and effective identification of anomalies and potential attack behaviors in network traffic, allowing network administrators to take proactive security measures. In particular, AI-based machine learning algorithms stand out with their high success rates in detecting Layer 2 attacks and contribute to the development of adaptive solutions against different attack types. Within the scope of this thesis, a dataset containing Layer 2 attacks was collected and methods were developed. Two main contributions to the detection of Layer 2 attacks are presented in this thesis. The first contribution is an attack detection method based on the t-SNE algorithm. A dataset containing DHCPstarvation, Macflood, ARPspoof, Normal, RogueDHCP, and Stp_attack attack types was used. Dimensionality reduction was performed on this dataset using the t-SNE algorithm, and features were extracted. The obtained features were classified using the Decision Tree algorithm. A maximum accuracy of 90.87% was calculated with the proposed method. The second key contribution is the development of the U-Net segmentation-based intrusion detection method. The main motivation for this study is to apply the U-Net algorithm, used in segmentation problems, to intrusion detection and classification problems. Features obtained with the t-SEN algorithm were normalized between 0-255 and converted into images. Class labels with different values were created for each class. A 99.87% accuracy rate was calculated as a result of U-Net training. The developed methods not only increase the effectiveness of AI-based solutions in the field of network security, but also contribute to improving the security of network infrastructures and increasing their resilience against attacks. Furthermore, the results provide a basis for the development of new and innovative defense strategies and guide the optimization of existing security measures. Thus, valuable information has been added to network security research from both theoretical and practical perspectives, and a more prepared security approach against future attacks has been presented.