Bilgisayar ağ güvenliğinde naive bayes algoritmasının kullanımı

Öz

Makine öğrenmesi bilgisayar bilimlerinin önemli bir alt dalıdır ve verilerden öğrenen ve veriler üzerinde tahminler yapan algoritmaların geliştirilmesini araştırmaktadır. Bu tür algoritmalar, çıktı olarak verilere dayalı tahminler yapmak için giriş gözlemlerinin örnek bir eğitim kümesinden bir model oluşturarak çalışırlar. Makine öğrenmesi algoritmalarının kullanıldığı alanlardan bir tanesi de bilgisayar ağ güvenliğidir. Bu çalışmada, ağ saldırı tespitinde naive bayes algoritmasının güncel veriler üzerinde kullanımı incelenmektedir. Deneylerde veri kümesi olarak Kyoto 2016 ve KDD’99 verileri kullanılmıştır. Kyoto 2016 veri kümesinde 309060 tane bağlantı bulunmaktadır ve her bir bağlantı 23 parametreden oluşmaktadır. Algoritmanın başarısını test etmek için 10-katmanlı çapraz doğrulama yöntemi kullanılmıştır. KDD’99 veri kümesinde ise 444616 tane bağlantı bulunmaktadır ve her bir bağlantı 41 parametreden oluşmaktadır. Ayrıca,  KDD’99 veri kümesinde saldırının tipi de sınıflandırılmaktadır. Deneylerde, algoritmanın sınıflandırma başarı oranları verilmektedir. Deney sonuçlarına göre, naive bayes algoritmasının saldırı tespitinde başarılı olduğu görülmektedir.

Anahtar Kelimeler

• ağ saldırısı tespiti,bilgisayar ağ güvenliği,makine öğrenmesi,naive bayes algoritması

Kaynakça

1. Balan, E. V., Priyan, M., Gokulnath, C., & Devi, G. U. (2015). Fuzzy based intrusion detection systems in MANET. Procedia Computer Science, 50, 109-114.
2. Chen, M.-H., Chang, P.-C., & Wu, J.-L. (2016). A population-based incremental learning approach with artificial immune system for network intrusion detection. Engineering Applications of Artificial Intelligence, 51, 171-181.
3. Chitrakar, R., & Huang, C. (2014). Selection of Candidate Support Vectors in incremental SVM for network intrusion detection. computers & security, 45, 231-241.
4. Chou, J.-S., & Thedja, J. P. P. (2016). Metaheuristic optimization within machine learning-based classification system for early warnings related to geotechnical problems. Automation in Construction, 68, 65-80.
5. Chowdhury, A., Kautz, E., Yener, B., & Lewis, D. (2016). Image driven machine learning methods for microstructure recognition. Computational Materials Science, 123, 176-187.
6. Elkan, C. (2000). Results of the KDD'99 classifier learning. ACM SIGKDD Explorations Newsletter, 1(2), 63-64.
7. Esmaeili, M., Arjomandzadeh, A., Shams, R., & Zahedi, M. (2017). An Anti-Spam System using Naive Bayes Method and Feature Selection Methods. International Journal of Computer Applications, 165(4).
8. Guzella, T. S., & Caminhas, W. M. (2009). A review of machine learning approaches to spam filtering. Expert Systems with Applications, 36(7), 10206-10222.

9. Hanguang, L., & Yu, N. (2012). Intrusion detection technology research based on apriori algorithm. Physics Procedia, 24, 1615-1620.
10. Jiang, L., Li, C., Wang, S., & Zhang, L. (2016). Deep feature weighting for naive Bayes and its application to text classification. Engineering Applications of Artificial Intelligence, 52, 26-39.
11. Jones, D. E., Ghandehari, H., & Facelli, J. C. (2016). A review of the applications of data mining and machine learning for the prediction of biomedical properties of nanoparticles. Computer Methods and Programs in Biomedicine, 132, 93-103.
12. Kumar, S., Gao, X., Welch, I., & Mansoori, M. (2016). A machine learning based web spam filtering approach. Paper presented at the Advanced Information Networking and Applications (AINA), 2016 IEEE 30th International Conference on.
13. Labs, M. (2017). Threats report. https://www.mcafee.com/us/resources/reports/rp-quarterly-threats-dec-2017.pdf.
14. Li, Y., & Guo, L. (2007). An active learning based TCM-KNN algorithm for supervised network intrusion detection. computers & security, 26(7), 459-467.
15. Ling, J., Jones, R., & Templeton, J. (2016). Machine learning strategies for systems with invariance properties. Journal of Computational Physics, 318, 22-35.
16. Mahoney, M. V., & Chan, P. K. (2003). An analysis of the 1999 DARPA/Lincoln Laboratory evaluation data for network anomaly detection. Paper presented at the International Workshop on Recent Advances in Intrusion Detection.
17. Mitchell, T. M. (1997). Machine learning. 1997. Burr Ridge, IL: McGraw Hill, 45, 37.
18. Modi, C., Patel, D., Borisaniya, B., Patel, H., Patel, A., & Rajarajan, M. (2013). A survey of intrusion detection techniques in cloud. Journal of Network and Computer Applications, 36(1), 42-57.
19. Rajendran, P. K., Muthukumar, B., & Nagarajan, G. (2015). Hybrid intrusion detection system for private cloud: a systematic approach. Procedia Computer Science, 48, 325-329.
20. Ravale, U., Marathe, N., & Padiya, P. (2015). Feature Selection Based Hybrid Anomaly Intrusion Detection System Using K Means and RBF Kernel Function. Procedia Computer Science, 45, 428-435.
21. Sánchez-Oro, J., Duarte, A., & Salcedo-Sanz, S. (2016). Robust total energy demand estimation with a hybrid Variable Neighborhood Search–Extreme Learning Machine algorithm. Energy Conversion and Management, 123, 445-452.
22. Scott, S. L. (2004). A Bayesian paradigm for designing intrusion detection systems. Computational statistics & data analysis, 45(1), 69-83.
23. Simon, P. (2013). Too Big to Ignore: The Business Case for Big Data (Vol. 72): John Wiley & Sons.
24. Song, J., Takakura, H., Okabe, Y., Eto, M., Inoue, D., & Nakao, K. (2011). Statistical analysis of honeypot data and building of Kyoto 2006+ dataset for NIDS evaluation. Paper presented at the Proceedings of the First Workshop on Building Analysis Datasets and Gathering Experience Returns for Security.
25. Tada, R., Kobayashi, R., Shimada, H., & Takakura, H. Kyoto 2016 Dataset.
26. UCIKDD. (1999). The third international knowledge discovery and data mining tools competition dataset KDD Cup 1999 data.
27. Varma, P. R. K., Kumari, V. V., & Kumar, S. S. (2016). Feature Selection Using Relative Fuzzy Entropy and Ant Colony Optimization Applied to Real-time Intrusion Detection System. Procedia Computer Science, 85, 503-510.