Sınıflandırma ve Regresyon Ağaçları ile Rastgele Orman Algoritması Kullanarak Botnet Tespiti: Van Yüzüncü Yıl Üniversitesi Örneği

Year 2018, Volume: 23 Issue: 3, 297 - 307, 11.12.2018

Duygu Korkmaz H. Eray Çelik Mesut Kapar

Abstract

Bir
botnet, kötü amaçlı yazılım kodunun bulaşmış olduğu, bir veya daha fazla
makineden oluşan bir ağdır. Botnet, Botmaster denilen kişiler tarafından
yönetilir ve DDos, Spam, Kimlik Hırsızlığı gibi faaliyetler için
kullanılmaktadır. Bu çalışmanın amacı, bir Network üzerinde botnet bulaşmış network
cihazı olup olmadığını, Makine Öğrenmesi Algoritmalarından, Sınıflandırma
Ağaçları ve Regresyon Ağacı (CART) ile Rastgele Orman teknikleriyle tespit
etmek ve sınıflandırmaktır. Modellerin sınıflandırma performansları bazı
performans ölçütleri bakımından ölçülmüş ve kıyaslanmıştır. Ele alınan
değişkenler, ekleyip çıkarılarak doğruluk ve bazı performans ölçütleri
üzerindeki değişimler Sınıflandırma Ağaçları Yöntemi ve Rastgele Orman
Algoritması Yöntemi ile incelenmiştir ve bir ağda Botnet tespiti yapmak için
önemli olan değişkenler önerilmiştir.

Keywords

Düğüm, Gini, Hata matrisi, Phyton, Siber güvenlik

References

• Akman, M., Genç, Y., Ankarali, H., (2011). Random forests yöntemi ve sağlık alanında bir uygulama, Türkiye Klinikleri Journal of Biostatistics, 3 (1): 36-48.
• Alpaydin, E., (2014). Introduction to Machine Learning, MIT Press, 3rt edition.
• Anonim, (2018a). Sosyal Medya ve Mobil Kullanıcı İstatistikleri. https://dijilopedi.com/2018-internet-kullanimi-ve-sosyal-medya-istatistikleri/ Erişim tarihi: 01.03.2018. Anonim, (2018b). Avrupadaki En Fazla Siber Saldırı Türkiye’de. http://www.sigortacigazetesi.com.tr/avrupadaki-en-fazla-siber-saldiri-turkiyede/ Erişim tarihi: 01.03.2018.
• Bock, H. H., (2002). Data mining tasks and methods: Classification: the goal of classification, In Handbook of Data Mining and Knowledge Discovery, 254-258.
• Breiman, L., (2001) . Random Forests, Machine Learning, 45 (1): s.5-32.
• Breiman, L., Friedman, J. H., Olshen, R. A., Stone, C. J., (2017). Classification and Regression Trees, Taylor Francis, Berkeley, California.
• Chen, R., Niu, W., Zhang, X., Zhuo, Z., Lv, F., (2017). An effective conversation-based botnet detection method, Mathematical Problems in Engineering, Article ID 4934082, 9 pages.
• Chipman, H. A., George, E. I., McCulloch, R. E., (1998). Bayesian CART modelsearch, Journal of the American Statistical Association, 93 (443): 935-948.
• De'ath, G., Fabricius, K. E., (2000). Classification and regression trees: a powerful yet simple technique for ecological data analysis, Ecology, 81(11), 3178-3192.
• Gu, G., Zhang, J., & Lee, W., (2008). BotSniffer: Detecting botnet command and control channels in network traffic, 17th USENIX Security Symposium.
• Guttman, A., (1984). R-trees: A dynamic index structure for spatial searching,47-57: SIGMOD'84, Proceedings of Annual Meeting, Boston, Massachusetts, June 18-21.
• Kalaivani, P., Vijaya, M., (2016), Mining based detection of botnet traffic in network flow, International Journal of computer Science and information Technology & Security, 6: 535-540. ,Karasaridis, A., Rexroad, B., Hoeflin, D. A., (2007). Wide-Scale Botnet Detection and Characterization. HotBots, 7: 7.
• Loh, W. Y., (2011). Classification and regression trees. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 1 (1): 14-23.
• Shinder, D. L., Tittel, E. (2002). Scene of the Cybercrime: Computer Forensics Handbook, Syngress Publishing.
• Suchetana, B., Rajagopalan, B., Silverstein, J., (2017). Assessment of wastewater treatment facility compliance with decreasing ammonia discharge limits using a regression tree model, Science of the Total Environment, 598: 249-257.
• Timofeev, R., (2004). Classification and Regression Trees (CART) Theory and Applications (master thesis). Humboldt University, Berlin.
• Watts, J. D., Powell, S. L., Lawrence, R. L., Hilker, T., (2011). Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery, Remote Sensing of Environment, 115 (1): 66-75.
• Zhao, D., Traore, I., Sayed, B., Lu, W., Saad, S., Ghorbani, A., Garant, D., (2013). Botnet detection based on traffic behavior analysis and flow intervals. Computers & Security, 39: 2-16.