K-NN, NN ve Feature Selection yöntemleri ile firewall verilerinin sınıflandırması

Abstract

Günümüzde internet kullanımının yaygınlaşması, internet güvenliği konusunun önemini artırmıştır. Kişisel bilgilerin, şifrelerin ve diğer hassas bilgilerin korsanlarca ele geçirilmesi veya sahte siteler aracılığıyla hile yapılması, internet kullanıcıları için ciddi riskler oluşturmaktadır. Güvenli internet kullanımı için, kullanıcıların bilinçli olmaları ve güvenliğe dair önlemleri almaları gerekir. Örneğin, şifreleri sık sık değiştirmek, güvenli bağlantıları kullanmak ve elektronik cihazları (bilgisayar, telefon, tablet vb.) güncel güvenlik yazılımları ile koruma altına almak gerekir. Bunun yanında ise kullanmakta olduğumuz cihazları Firewall (Güvenlik Duvarı) teknolojisi ile koruma altına almak güvenlik konusunda büyük önem arz etmektedir. Bu çalışma içerisinde, Fırat Üniversitesinin firewall cihazından elde edilen 65.532 adet log kaydının NN (Neural Network) ve K-NN (K-Nearest Neighbor) algoritmaları kullanılarak sınıflandırma işlemi uygulanmıştır. Bununla birlikte feature selection teknikleri ile de veri seti içerisindeki kolonların önemi ve benzerlik oranları belirlenmiştir. Neural Network algoritmasında “Adam” fonksiyonu optimizasyonunda %98,46, K-NN algoritmasında k değeri 20 iken en başarılı sonuç manhattan’da %99,08 olarak belirlenmiştir. Daha önce literatürde aynı veri seti ile yapılmış olan SVM çalışmasında ise dört SVM tekniği arasında en başarılı teknik %98,5 olarak Sigmoid fonksiyonun da ulaşılmıştır.

Keywords

• Firewall
• Makine Öğrenimi
• Siber Güvenlik
• Derin Öğrenme

Classification of firewall data with K-NN, NN and Feature Selection methods

Abstract

Today, the widespread use of the internet has increased the importance of internet security. Hacking of personal information, passwords and other sensitive information or cheating through fake sites pose serious risks for internet users. For safe internet use, users need to be conscious and take precautions regarding security. For example, it is necessary to change passwords frequently, use secure connections and protect electronic devices (computer, phone, tablet, etc.) with up-to-date security software. In addition, it is of great importance in terms of security to protect the devices we use with Firewall technology. In this study, 65,532 log records obtained from the firewall device of Fırat University were classified using NN (Neural Network) and K-NN (K-Nearest Neighbor) algorithms. In addition, the importance and similarity ratios of the columns in the data set were determined by feature selection techniques. While the k value was 98.46% in the Neural Network algorithm, in the "Adam" function optimization, and 20 in the K-NN algorithm, the most successful result was 99.08% in Manhattan. In the SVM study, which was previously conducted with the same data set in the literature, the most successful technique among the four SVM techniques was 98.5%, and the Sigmoid function was also reached.

Keywords

• Firewall
• Machine Learning
• Cyber Security
• Deep Learning

References

1. Budak, H. (2018). Özellik Seçim Yöntemleri ve Yeni Bir Yaklaşım. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21-31.
2. Çalışkan, S. K. (2008). Gebze: Gebze Yüksek Teknoloji Enstitüsü Mühendislik ve Fen Bilimleri Enstitüsü.
3. Kaya, Ç., & Yıldız, O. (2014). Makine Öğrenmesi Teknikleriyle Saldırı Tespiti: Karşılaştırmalı Analiz. Marmara Fen Bilimleri Dergisi, 89-104.
4. Kaya, M., & Ertam, F. (2018). Classification of Firewall Log Files with Multiclass Support Vector Machine. Antalya.
5. Köktürk, F. (2012). K-En Yakın Komşuluk, Yapay Sinir Ağları ve Karar Ağaçları Yöntemlerinin Sınıflandırma Başarılarının Karşılaştırılması. Zonguldak:Bülent Ecevit Üniversitesi Sağlık Bilimleri Enstitüsü.
6. Laribi, P. (2018). Genetik Algoritma ve K-En Yakın Komşu Kullanarak Metin Belgelerinin Sınıflandırılması. Van: Yüzüncü Yıl Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği Anabilim Dalı.
7. Sunar, F., Özkan, C., & Taberner, M. (2004). Comparison of maximum likelihood classification method with supervised artificial neural network algorithms for land use activities. International Journal of Remote Sensing, 25(9), 1733-1748.
8. Uçar, E., & Özhan, E. (2017). The Analysis of Firewall Policy Through Machine. Wireless Personal Communications, 96(10), 1-19.