GÜFBED/GUSTIJ (2020) 10(2): 425-441
Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi
Araştırma Makalesi / Research Article
DOI: 10.17714/gumusfenbil.612774
Dağıtık Veritabanlarında Saldırı Önleme Metotları
Intrusion Prevention Methods in Distributed Databases
Çiğdem BAKIR*a, Mehmet GÜÇLÜb, Veli HAKKOYMAZc, Banu DİRİd
Yıldız Teknik Üniversitesi, Elektrik-Elektronik Fakültesi, Bilgisayar Mühendisliği Bölümü, 34220, İstanbul
• Geliş tarihi / Received: 29.08.2019
• Düzeltilerek geliş tarihi / Received in revised form: 18.02.2020
• Kabul tarihi / Accepted: 28.02.2020
Öz
Dağıtık sistemlerin kullanılmasıyla birlikte verilere farklı kullanıcılar farklı yerlerden anlık erişim sağlayabilmekte ve
veriler üzerinde birtakım işlemler yapabilmektedir. Ancak, birden fazla kullanıcının aynı anda farklı noktalardan
sisteme yetkisiz olarak erişmek istemesi veri güvenliği ve verinin gizliliği noktasında tehlikeli sonuçlar
doğurabilmektedir. Bu çalışma, dağıtık veritabanları üzerine inşa edilmiş saldırı tespit ve önleme sistemleri üzerine
olup, kullanılan metotların sınıflamasını yaparak, başarılarını analiz etmekte ve karşılaştırmalı olarak
değerlendirmektedir. Üç kategori olarak sınıflandırılan yöntemlerden yapay zeka teknikleri içerisinde yer alan yapay
bağışıklık algoritmasının veri madenciliği ve istatistiksel yöntemler içerisinde geçen diğer tekniklere oranla daha
başarılı sonuçlar verdiği gözlenmiştir.
Anahtar kelimeler: Dağıtık Veritabanı, İstatistiksel Yöntemler, Saldırı Tespit Sistemleri, Saldırı Önleme Sistemleri,
Veri Madenciliği, Yapay Zeka Yöntemleri
Abstract
With the use of distributed systems, different users can instantly access data from different locations and perform some
operations on the data. However, the unauthorized access of multiple users to the system from different points at the
same time can lead to dangerous results in terms of data security and confidentiality of the data. This study is based on
intrusion detection and prevention systems built on distributed databases and classifies the methods used to analyze and
evaluate successes comparatively. It is observed that the artificial immunity algorithm we have described in artificial
intelligence techniques, which is one of the methods classified as three categories, gives more successful results
compared to the other techniques mentioned in the data mining and statistical methods.
Keywords: Distributed Database, Statistical Method, Intrusion Detection System, Intrusion Prevention System, Data
Mining, Artifical Intelligence Method
*a Çiğdem BAKIR; cigdem.bakr@gmail.com; Tel: (0212) 383 5730; orcid.org/0000-0001-8482-2412
b orcid.org/0000-0001-7507-5694
c orcid.org/0000-0002-3245-4440
d orcid.org/000-0002-4052-0049
ISSN: 2146-538X
http://dergipark.gov.tr/gumusfenbil
Bakır vd. / GUFBED 10(2) (2020) 425-441
1. Giriş
edebilme amacıyla çok etmenli istatiksel bir
tahmin sistemi olan Quickprop sinir ağları
geliştirilmiştir (Ramasubramanian vd., 2014). Bu
çalışmada gizli katmanları hesaplayabilmek için
Pearson korelasyon katsayısı kullanılmış ve bir
banka verisi üzerinde yetkisi olmayan kullanıcılar
belirlenmeye
çalışılmıştır.
Kısa
vadede
gerçekleşen anormal ve hatalı kullanıcı
davranışları tespit edilebilmiştir.
Gelişen teknoloji sayesinde verilere erişim ve veri
iletişimi oldukça kolaylaşmıştır. Günümüzde
Internet kullanım oranının artması, kullanılan
alanının genişlemesi
ve yapılan işlerin
çeşitliliğinin artması neticesinde güvenlik konusu
ciddi bir araştırma konusu haline gelmiştir.
Dağıtık sistemlerin kullanılmasıyla birlikte
verilere farklı kullanıcılar, farklı yerlerden anlık
erişim sağlayabilmekte ve veriler üzerinde
birtakım işlemler yapabilmektedir. Özellikle
güvenlik alanında her gün yeni bir tehdit ile
karşılaşılmakta,
buna
istinaden
güvenlik
önlemlerinde de hızlı bir gelişim yaşanmaktadır.
Bu manada bilgisayar sistemlerinin güvenliğini
sağlamak, yetkisiz erişim yapılmasının önüne
geçmek bilgi güvenliği kapsamında kimlik
doğrulama
ve
erişim
kontrolleri
için
mekanizmalar geliştirmek gibi amaçlarla birçok
yeni uygulamalar geliştirilmiştir. Internet ve
haberleşme alanındaki gelişim süreçlerinin hız
kazanması
aynı
zamanda
kötü
niyetli
saldırganların zarar verebilecekleri daha çok
sistemi ve buna bağlı olarak da çok daha fazla
bilgiyi elde etme ihtimalini doğurmuş, işte bu
sebeple saldırı sayısında ve saldırı tespit ve
önleme metotlarının kullanımında ciddi ilgi
artışları gözlemlenmiştir.
Hatalı kullanıcı davranışlarını çözebilmek
amacıyla yapılan bir başka çalışma da, genetik
algoritmaların kullanımıdır (Romasubramanian
vd., 2006). Genetik algoritma, sinir ağlarına dayalı
olarak ağ özelliklerinden çeşitli kurallar
oluşturarak elde edilen kurallar ile sınıflandırma
yapar. Bu çalışmanın sonuçları diğer çalışmalarla
karşılaştırılmalı olarak verilmiştir. Ancak, bu
çalışma da öncekinde olduğu gibi kısa vadede
gerçekleşebilecek saldırılar için bir çözüm önerisi
getirmiştir.
Saklı Markov Modeli kullanılarak saldırıyı tahmin
ve önleme çalışması, diğer bir çalışmadır (Haslum
vd., 2007). Saklı Markov Modeli, verilen
durumlardan yola çıkarak gizli durumları bulmak
için
gerçekleştirilen
bir
sınıflandırma
algoritmasıdır. Dağıtık veriler birbirleriyle çok
büyük ağlar üzerinde haberleşir ve bu sebeple
ciddi saldırılara açıktır. Bu çalışmada fuzzy
tekniği kullanılarak risk analizi yapılmış, tehlikeli
olarak giden paket oranı tespit edilmeye
çalışılmıştır. Ayrıca, dağıtık çevreler için risk
oluşturacak saldırılar belirlenmeye çalışılmıştır.
Genellikle saldırıların büyük çoğunluğu kullanılan
sistemlerin
açıklarından
faydalanılarak
gerçekleştirilmekte olup, bu tür saldırıların
önlenmesi için güvenli bir ortam oluşturma ve de
saldırıların zamanında tespit edilip önlenmesi
gerekmektedir. Bir sistem ne kadar güvenli olursa
olsun burada önemli olan saldırıların erken tespit
edilip, olası sızmaların önüne geçmektir. Bu
bağlamda, farklı kaynaklardan gelebilecek
muhtemel her bir saldırı türü için geliştirilmiş ve
geçmişten günümüze kadar araştırma ve
geliştirme çalışmalarına konu olan çeşitli saldırı
tespit ve önleme sistemleri mevcuttur. Bu
çalışmada, saldırı tespit ve önleme sistemlerinin
gelişim süreci boyunca varmış olduğu noktaya
değinilmiş
ve
söz
konusu
sistemler
sınıflandırılarak sınıf içi ve sınıflar arası
performans değerlendirilmeleri gerçekleştirilmiştir. Makalenin kalan kısmı şu şekilde
düzenlenmiştir: İlgili çalışmalar 2., veri seti
tanıtımı 3., materyal ve metot 4., bulgular 5.,
değerlendirme 6., tartışma ve sonuç son bölümde
verilmiştir.
Deng. ve çalışma arkadaşları (Deng vd., 2003)
wireless ve geçici ağlar için (ad hoc networks)
saldırı tespit sistemi için Support Vector Machine
(SVM) tabanlı bir sistem geliştirmişlerdir.
Kablosuz ve geçici ağlar için güvenlik sorunları
SVM yöntemi ile çözülmeye çalışılmıştır. Bu
çalışmada hiyerarşik ve tamamlayıcı dağıtık
sistemler iki yaygın Denial of Service (DoS)
saldırısı için geliştirilmiş ve performans ölçümleri
yapılmıştır. DoS saldırısının hız, haberleşme
mesafeleri arasındaki uzaklık değişimleri ve yer
bilgisinin
sistem
performansına
etkisi
gözlemlenmiştir.
Jemili ve çalışma arkadaşları (Jemili, 2009) saldırı
tahmin ve tespit sistemleri için Bayesian ağı ile
olasılıkları birleştiren hibrit yayılma temeline
dayalı yeni bir yaklaşım sunmuşlardır. Hibrit
yayılma yaklaşımı hem normal hem de ağda
oluşan anormal bağlantıları fark etmeye yarar. Bu
çalışmanın amacı olası saldırı planlarını,
senaryolarını ve aralarındaki ilişkileri ortaya
2. İlgili Çalışmalar
Veritabanı saldırılarını önceden tahmin etme ve
güvenlik açıklarını saldırı oluşmadan fark
426
Bakır vd. / GUFBED 10(2) (2020) 425-441
uygulanabilirliği test edilmiş ve paralel
programlama ile performans analizleri yapılmıştır
(Yıldırım vd., 2014). KDD-Cup 1999 verisi DoS,
R2L, U2R ve Probe olmak üzere farklı türden
saldırıları içeren bir veri setidir. Bu veri seti
toplam da 972780 örnek içerir. DoS saldırı
türünde saldırgan sunucuya sürekli sahte istekler
göndererek sunucuyu meşgul eder. Bu durumda
sunucu
resmi
yollarla
istekte
bulunan
kullanıcıların isteklerine cevap veremez hale gelir.
R2L (Remote to Local Attack) saldırı türünde
erişim yetkisi bulunmayan saldırgan ağ üzerinden
paket gönderir. Böylelikle sisteme erişimi
sağlayarak gerekli verileri izinsiz olarak kullanır.
U2R (User to Root Attack) saldırı türünde
saldırgan kullanıcının şifresini ele geçirerek
sisteme yöneticiymiş gibi erişir. Probe (Probing
Attack) saldırılarında ise saldırgan sistemdeki
güvenlik kontrollerini bozarak ağ üzerinden
istediği verileri alır.
çıkarmaktır. Ayrıca, bu çalışma barındırma (host)
tabanlı saldırı tespit sistemleri ile ağ tabanlı saldırı
tespit sistemlerini birleştirerek veri tutarlılığının
sağlanmasını gerçekleştirmektedir.
Hu ve çalışma arkadaşları (Hu vd., 2014) ağda
meydana gelen değişikliklerden dolayı fark
edilemeyen ve sıklıkla değişen ağ saldırıları için
Particle Swarm Optimization (PSO) ve SVM
tekniklerini
birleştiren
bir
yöntem
geliştirmişlerdir. Ayrıca, Adaboost temelli saldırı
tespit algoritması olan Gaussian Mixture Model
kullanarak dağıtık veritabanının her düğümü için
saldırıların bulunmasını sağlamaya çalışmışlardır.
Ancak, bu yaklaşım tüm saldırı türlerini özellikle
de yeni saldırı türlerini tespit etmeyi tam olarak
sağlayamamıştır.
Abraham ve arkadaşları (Abraham vd., 2007)
saldırı tespit sistemlerinde evrimsel (genetik)
algoritmaların
kullanımı
amaçlanmıştır.
Çalışmada, verilen özellikleri kullanmak suretiyle
otomatik bir saldırı tespit programı geliştirilmiştir.
Çıktı programı ise küçük ve basittir. Saldırı tespiti
için birçok makine öğrenme yöntemlerinin tüm
özellikleri kullanılırken, önerilen çalışmada
genetik programlamanın, az sayıda özelliği
kullanılmıştır.
Gelecek
zamanda
genetik
programlama kullanılarak kablolu ağlar için
saldırı tespit sistemi geliştiren bir çalışma
önerilmiştir.
KDD-Cup 1999 veri seti, Darpa Bsm (Defense
Advanced Research Projects Agency Basic
Security Module) verisinden türetilen bir veri
setidir. Darpa Bsm verisi Amerikan Hava
Kuvvetlerine ait bir ağ trafiğinin simülasyonu
sonucu oluşturulmuştur ve saldırı tespitinde
yaygın bir şekilde kullanılmıştır. Toplamda 7
haftalık eğitim ve 2 haftalık test verisi olmak
üzere 38 farklı saldırı türü içerir. Veri setinin
içeriği saldırıya uğrayan makineden gece ve
gündüz ağ dinleyicisinden alınan tcpdump
dosyaları, saldırıya uğrayan makinelerden alınan
kayıtların, log kayıtları ve güvenlik modülünden
alınan dosyaları oluşturur (Liao vd., 2002).
Sağıroğlu ve arkadaşları çalışmalarında (Sağıroğlu
vd., 2011) yapay sinir ağı kullanılarak bir ağ
üzerinde akan paketlerin hangi saldırı yöntemini
kullandığını tespit etme amaçlanmıştır. Bu
saldırılardan “Neptune” ve “the ping of death”
bulunması için Çok Katman Algılayıcılı yapay
sinir ağ modeli kullanılmıştır. DARPA veri setleri
örnek alınarak ağlar için eğitmişlerdir. Bu
çalışmanın neticesinde internetten gelebilecek
DoS
ataklarının
algılanması
başarı
ile
sağlanmıştır.
4. Materyal ve Method
Dağıtık veritabanlarında saldırı tespit ve önleme
sistemlerinde kullanılan yöntemler Tablo 1’de
gösterildiği gibi üç ana grupta toplanmıştır: Veri
madenciliği yöntemleri, İstatiksel yöntemler ve
Yapay Zeka yöntemleri. Her bir yöntemdeki
tekniklere izleyen alt bölümlerde yer verilmiştir.
Ayrıca, tekniklerin performans değerleri grup içi
ve gruplar arası olmak üzere değerlendirilmiştir.
Saldırı tespit sistemleri için geliştirilmiş ve
günümüze kadar kullanılan çeşitli
veri
madenciliği yöntemleri, yapay sinir ağları ve
istatistiksel yöntemler gibi birçok yöntem
kullanılmıştır.
4.1. Veri Madenciliği Yöntemleri
Bu grup altında K-Ortalama Kümeleme, En Yakın
Komşuluk, Karar Ağaçları, Destek Vektör
Makineleri ve Birliktelik Kuralları teknikleri
yaygın bir şekilde kullanılmaktadır.
3. Veri Seti Tanıtımı
Saldırı tespit sistemleriyle ilgili uygulamalarda en
çok kullanılan veri setlerinden biri “KDD
Cup’99” (Knowledge Discovery and Data Mining
Cup’99) veri kümesidir. Bu veri kümesi üzerinde
çok
katmanlı
yapay
sinir
ağlarının
427
Bakır vd. / GUFBED 10(2) (2020) 425-441
Kümeleme yöntemi yaklaşık %92 başarı
sağlamıştır (Sharma vd., 2018). Nadiammai ve
arkadaşları ise (Nadiammai vd., 2012) KDD-Cup
1999 verisi üzerinde k-Ortalama Kümeleme
yöntemi ile %92.05 başarı elde etmişlerdir.
Tablo 1. Saldırı tespit ve önlemede yöntemler
Kullanılan Yöntemler
Veri Madenciliği
İstatistiksel Yöntemler
Yapay Zeka Yöntemleri
K-Ortalama kümeleme
K En Yakın Komşuluk (kNN)
Karar Ağacı
Destek Vektör Makineleri
(SVM)
Birliktelik Kuralları
Öğrenmeli Vektör Kuantalama
(LVQ)
Saklı Markov Modelleri
(SMM)
Naive Bayes
Bulanık Mantık
Genetik Algoritma
Yapay Sinir Ağları
Yapay Bağışıklık Teknikleri
4.1.2. K En Yakın Komşuluk
K En Yakın Komşu yöntemi, en eski ve en basit
eğiticili sınıflandırma yöntemidir. Verilen giriş
vektörleri arasındaki uzaklığı hesaplar ve k adet
en yakın komşusunun sınıfını seçer. Farklı k
değerleri için farklı sınıflar bulunabilir. Bu
sebeple sınıflandırma zamanı ve sınıflandırma
doğruluğu için k parametresi oldukça önemlidir
(Malhotra vd., 2017). Bu yöntemde sınıfı
bulunmak istenen verinin, bilinen tüm verilere
olan uzaklıkları hesaplanılır. Uzaklık ölçütü
olarak genelde Öklid uzaklığı kullanılır. Rastgele
k adet komşu sayısı belirlenir. Veri, en yakın k
adet komşusuna bakılarak dahil olduğu sınıf
belirlenir. Bu yöntemde, k-Ortalama Kümeleme
yönteminden farklı olarak kullanılan veri setinin
sınıfları bellidir ve yeni gelen veri bu sınıflara
bakılarak bulunur.
4.1.1. K-Ortalama Kümeleme
K-Ortalama
Kümeleme
tekniği
nesneleri
benzerliklerine göre gruplandıran eğitici olmayan
öğrenme yöntemlerinden biridir. Bölünmeye
dayalı bir yöntem olan K-Ortalama kümeleme, N
tane nesneyi k küme merkezi uzaklığına göre
hesaplar ve nesne hangi küme merkezine yakın ise
o kümeye dahil eder. Küme merkezi başlangıçta
rastgele bir veya daha fazla örneğin ortalaması
alınarak belirlenir ve her iterasyonda yeniden
hesaplanılır.
Her
defasında
yeni
küme
merkezlerine göre tüm verilerin benzerlikleri
bulunur. Bu şekilde benzer nesneler aynı kümeye
diğer nesneler farklı kümelere alınır. Bu adımlar
iteratif olarak tekrar eder. Kümeleme hata oranı
(amaç fonksiyonu)minimum olduğunda adımlar
sona erer. Saldırı tespit ve önlemede k-Ortalama;
N adet saldırı türünü k adet kümeye böler. Bölme
işlemi sonucunda elde edilen kümelerin, küme içi
benzerlikleri maksimum olurken; kümeler arası
benzerlikleri minumum olmalıdır. Bu yöntemin
başarısı ve performansı başlangıçta rastgele
seçilen k adet küme sayısı, küme merkezleri ve
kullanılan
benzerlik
ölçütlerine
göre
değişmektedir. Bu sebeple yanlış alarm (false
alarm) oranını bulmada çok başarılı sonuçlar
vermemiştir (Sharma vd., 2018). Yanlış alarm
oranı, saldırı olmayan bir verinin saldırıya
uğrayan bir veri olarak kabul edilmesi yani hatalı
olarak sınıflandırmasıyla da saldırıya uğrayan bir
verinin normal bir veri olarak sınıflandırılma
oranıdır.
kNN algoritması saldırı tespitinde, normal ve
saldırgan
türlere
ait
veri
örneklerinin
sınıflandırılması için kullanılmıştır (Malhotra vd.,
2017). Sınıfı bulunacak verinin tüm veriye olan
uzaklığı hesaplanılır. K adet verinin ortalamasına
bakılarak eldeki verinin saldırı sınıfı belirlenir. Bu
yöntemin başarısını ve performansını k adet
komşu sayısı ve verinin sınıf sayısının dengeli
olup olması etkiler.
Darpa Bsm verisi üzerinde sistem çağrılarının
frekansına bakarak saldırgan sınıfa ait örnekleri
tespit etmeye çalışmışlardır ve düşük yanlış
pozitif oranı sağlamışlardır. Yanlış pozitif oranı
saldırı içermeyen bir verinin saldırı türü olarak
bulunması yani yanlış olarak sınıflandırılma
oranıdır.
Saldırı tespitinde ve önlenmesinde hatalı ve
normal olmayan verileri belirleyecek yanlış alarm
oranını azaltmak için kNN sınıflandırıcı
kullanılmıştır (Law vd., 2004). Bu çalışmada
normal ve saldırgan olan verinin yanlış alarm
modellerinin 5 yakın komşuluğu alınmıştır ve
yüksek oranda başarı sağlamışlardır. KDD-Cup
1999 verisi üzerinde yapılan çalışmalarda kNN En
Yakın Komşuluk yöntemi yaklaşık %96 başarı
sağlamıştır (Senthilnayaki vd., 2019). Ayrıca,
Aburomman ve arkadaşları (Aburonman vd.,
2016) tarafından KDD-Cup 1999 verisi üzerinde
yapılan çalışmada da yaklaşık %96 başarı elde
K-Ortalama yöntemi saldırı tespit ve önleme
sistemlerinde hesaplama karmaşıklığını azaltmak
ve sınıflandırma başarısını arttırmak için
kullanılmıştır (Faroun vd., 2007). KDD-Cup 1999
verisi üzerinde yapılan çalışmalarda k-Ortalama
428
Bakır vd. / GUFBED 10(2) (2020) 425-441
sınıfı birbirinden ayırmak için bir model
oluşturulur. Bu model fonksiyon oluşturularak
elde edilir. Yeni gelen verinin hangi sınıfa ait
olduğu bu fonksiyona göre belirlenir. SVM
tekniğindeki amaç; iki sınıfı birbirinden ayıracak
en uygun hiper düzlemi elde edecek fonksiyonu
bulmaktır. Ayrıca, iki sınıfa ait destek vektörleri
sınıfları birbirinden ayırmak için mümkün
olduğunca maksimum olmalıdır.
edilmiştir. Chen ve arkadaşları (Chen vd., 2016)
ise KDD-Cup 1999 verisi üzerinde yaptıkları
çalışmada %91.96 başarı sağlamışlardır.
4.1.3. Karar Ağaçları
Karar Ağacı tekniği veri madenciliğinde
kullanılan ilk sınıflandırma algoritmalarından
biridir. Sınıflandırma sonuçları daha kolay ve
daha hızlı bir şekilde elde edilir. Bu teknikte her
veri setinde sütunlar özellikleri gösterirken, her
bir satırda bu özelliklerin değerleri tanımlanır.
Ayrıca, her bir kayıt için özelliklerin değerlerine
bağlı olarak sınıflar tanımlanır. Karar ağacında ilk
yaklaşım özellikleri seçmektir. Daha sonrasında
bu seçilen özelliğe göre sınıflar bölünür ve bu
işlem iteratif olarak tekrarlanır.
SVM yüksek boyutlu uzayda her bir eğitim
vektörünün sınıfını belirleyen sınıflandırma
algoritmasıdır. SVM verinin destek vektörlerini
belirleyecek sınıflar ve hiper düzlem ile sistemin
çıkışını belirler. Eğitim anında destek vektörlerini
doğrusal, polinomsal ya da sismoid fonksiyonlar
ile belirler. SVM’in sınıfları birbirinden ayırması
çeşitli parametrelere bağlı olarak değişir (Shams
vd., 2018).
Her düğüm bir özelliği gösterir ve bu düğümlerin
çocuk düğümleri vardır (Moon vd., 2017). Karar
ağacı tekniği kısacası iki aşamada gerçekleştirilir.
İlk aşamada kök ve çocuk düğümlerden oluşan bir
ağaç oluşturulur. İkinci aşamada ise bu ağacın
yapısına göre çeşitli sınıflandırma kuralları
çıkarılır. Bu sınıflandırma kuralları ağacın kök
düğümü ile yaprakları arasında kalan düğümleri
gösterir.
Saldırı tespit ve önlenmesinde Darpa Bsm verisi
üzerinde saldırı türlerini sınıflandırmak için SVM
kullanılmıştır (Mukkamala ve Januski, 2002).
SVM’in saldırı tespitinde iki önemli rolü vardır.
İlk ve en önemlisi saldırı tespiti için gerçek
zamanlı
performans
sağlayarak
sistemi
eğitmesidir ve sistemin başarısını hesaplamasıdır.
İkinci rolü ise sistemde meydana gelebilecek
ölçekleme problemlerinin üstesinden gelmesidir.
Ayrıca, SVM yüksek boyutlu uzayda ve karmaşık
sınıflandırma problemlerinde oldukça başarılı
sonuçlar vermektedir (Mukkamala vd., 2002).
Chen ve arkadaşları (Chen vd., 2016) ise KDDCup 1999 verisi üzerinde yaptıkları çalışmada
%92.46
başarı
sağlamışlardır.
Ayrıca,
Aburomman ve arkadaşları (Aburomman vd.,
2016) tarafından KDD-Cup 1999 verisi üzerinde
yapılan çalışmada da %93.9 başarı elde edilmiştir.
Ağ tabanlı saldırı tespit ve önleme sistemlerinde
her düğüm, kullanıcı ya da verideki saldırı
türlerini ya da normal olayları gösterir. Karar
ağacı veri setini modelleyerek sınıflandırma
problemini çözer. Hatalı saldırı tespitinde
oluşturulan modele göre gelecekteki saldırı
türlerini tahmin eder. Gerçek zamanlı saldırı
tespitinde yüksek performans sağlar. Kural tabanlı
çeşitli modelleri kullanır. Yeni saldırı türlerinin
tespitinde ise oldukça başarılı sonuçlar verir.
KDD-Cup 1999 verisi üzerinde yapılan
çalışmalarda karar ağacı yöntemi yaklaşık %97
başarı sağlamıştır (Ugochukwu vd., 2018).
Rachburee ve arkadaşları (Rachburee vd., 2017)
KDD-Cup 1999 verisi üzerinde saldırı tespit
sistemi gerçekleştirmişlerdir. Bu çalışmada ChiSquare yöntemi ile bu veri setinde özellik seçimi
yapılarak saldırı türleri Karar Ağaçları ve Yapay
Sinir Ağları ile sınıflandırılmıştır.
4.1.5. Birliktelik Kuralları
Birliktelik Kuralları algoritması geçmiş verilere
bakarak
veriler
arasındaki
birliktelik
davranışlarını
inceleyen
veri
madenciliği
tekniğidir.
T
transaction
olmak
üzere
veritabanında tüm transaction işlemleri { T1,
T2,…,Tn } ve işlem yapılan nesneler { i1, i2,…,im
} ile ifade edelim. Veriler arasındaki ilişkisel
kural X →Y (c,s) ‘dir. Burada s veriler arasındaki
destek (suport), c ise güven (confidence) aralığını
gösterir. Destek bir nesnenin tüm nesneler için
kullanılma sıklığını gösterir. Güven ise bir
nesnenin diğer nesneyle kullanılma sıklığını
gösterir. s birlikte yapılan X ve Y transaction
işlemlerinin yüzdesini; c ise oranını belirtir
(Tajbakhsh vd., 2009). Birliktelik kuralları en çok
ürün satışında kullanılır. Örneğin; marketlerdeki
4.1.4. Destek Vektör Makineleri
Destek Vektör Makineleri (Support Vector
Machines–SVM)
verileri
analiz
etmede,
sınıflamada kullanılan eğiticili öğrenmeye
dayanan bir tekniktir. SVM başlangıçta iki sınıflı
veri problemini çözmek için kullanılsa da daha
sonra genişletilerek çok sınıflı veri probleminde
kullanılmıştır. İki sınıflı veri probleminde iki
429
Bakır vd. / GUFBED 10(2) (2020) 425-441
birlikte satılan ürünler bulunarak müşterilerin
daha fazla satış yapılması sağlanabilir. Bu
algoritmada ilk adım her bir transaction işlemi
için sık kullanılan veri nesnelerini bulmak ve s
güven aralığı için eşik değer belirlemektir. İkinci
adım ise veri seti için uygun kuralları
oluşturmaktır. Apriori algoritmasındaki temel
problem çok sayıda kuralı oluşturmaktır. Ancak
sık kullanılan veri nesneleri seçilerek bu veri
nesneleri
üzerinde
oluşturulan
kurallar
sınırlandırılabilir. Algoritma adımları aşağıdaki
gibidir:
boyutlu girdi vektörünün hangi işlem elemanına
ait vektörler ile temsil edilebileceğini bulur. Sınıfı
bilinmeyen bir girdi vektörü için en yakın özellik
vektörü bulunur. Bu vektörün bulunması öğrenme
oranına ve maksimum eğitim sayısına bağlı olarak
değişir. Girdi vektörüne en yakın işlem elamanı
ödüllendirilir ve girdi vektörünün sınıfı bu işlem
elemanına yaklaştırılır. Böylelikle bu işlem
elemanı ödüllendirilir. Değil ise uzaklaştırılarak
cezalandırılır. Bu şekilde özellik vektörleri
güncellenir.
LVQ saldırı tespit ve önleme sistemlerinde
sisteme giriş olarak verilen saldırı türlerini
sınıflandırmak için bir katman kullanır. Bu
katman giriş vektörlerinden bağımsızdır ve
birbirine benzeyen giriş vektörlerini aynı sınıfta
toplar (Noum vd., 2012). LVQ ağları ilk ve
sonraki katman olmak üzere iki katmana sahiptir.
İlk katman giriş vektörü olarak verilen saldırı
türlerini sınıflandırmak için eğitir. İkinci katman
kullanıcının
belirlediği
hedef
katmana
dönüştürülür. Eğitilen sınıflar sistemin alt
sınıflarını ve hedefte oluşması gereken sınıflarını
gösterir.
• En küçük destek ve güven aralığı belirlenir.
• Her nesnenin destek değeri bulunur.
• En küçük destek değeri ile her nesnenin destek
değeri kıyaslanır ve en küçük değerden küçük
olanlar nesneler kümesinden atılır.
• İkili birliktelik kuralları oluşturulur ve aynı
işlemler tekrarlanılır.
Saldırı tespit ve önlemede birliktelik kuralları
kullanılarak yeni bir yaklaşım KDD-99 veri seti
kullanılarak gerçekleştirilmiştir (Tajbakhsh vd.,
2009). Bulanık ilişkisel kural seti ile birlikte
farklı sınıfları belirleyen yeni sınıflandırma
yaklaşımı oluşturulmuştur. Ayrıca, yeni veri
nesneleri üzerinde ölçümler yapılabilecek etkili
bir algoritma gerçekleştirilmesi hedeflemişlerdir.
Tajbakhsh ve arkadaşları (Tajbakhsh vd., 2009)
tarafından yapılan bu çalışmada %91 başarı
sağlanmıştır. KDD-Cup 1999 verisi üzerinde
yapılan çalışmalarda Birliktelik Kuralı yöntemi
yaklaşık %96 başarı sağlamıştır (Abraham vd.,
2007).
LVQ telekomünikasyondan robotiğe kadar birçok
uygulamada başarılı bir şekilde kullanılmaktadır
(Hamman vd., 2014). Ayrıca bu sınıflandırma
algoritması sezgiseldir ve LVQ2, LVQ3 gibi
çeşitli formları vardır. Sınıflar arasındaki uzaklık
hesaplanarak maliyet fonksiyonu hesaplanır
(Hamman vd., 2014).
Öğrenme oranı ve
iterasyonların sayısı performansı belirler ve
iteratif olarak seçilir.
Olay kayıtları üzerinden okuma ve yazma
işlemleri arasında ilişkisel kurallar oluşturarak
güvenlik analizleri yapılmıştır (Hu vd., 2004). Bu
çalışmada çok büyük veritabanı üzerinde güvenilir
okuma ve yazma transaction işlemleri belirlemeye
çalışarak sistemin performansı ölçülmüştür.
Saldırı türlerini sınıflandırmak için LVQ
kullanılmıştır (Noum vd., 2012). Normal, DoS,
U2R, R2L ve Prob olmak üzere 5 saldırı türünü
sınıflandırmak için iki katman kullanmışlardır. Bu
katmanlar alt sınıf ve ana sınıfı belirler. KDD-Cup
1999 verisi üzerinde yapılan çalışmalarda LVQ
yöntemi yaklaşık %81 başarı sağlamıştır
(Soleiman vd., 2014). Degang ve arkadaşları
(Degang vd., 2007) aynı veri seti üzerinde veriyi
normalize edip, özellik seçimi yaptıktan sonra
LVQ kullanarak saldırı türlerini sınıflandırarak
%76.3 başarı elde etmişlerdir.
4.2. İstatiksel Yöntemler
Bu grup altında Öğrenmeli Vektör Kuantalama,
Saklı Markov Modelleri, Naive Bayes ve Bulanık
Mantık
teknikleri
yaygın
bir
şekilde
kullanılmaktadır.
4.2.2. Saklı Markov Modelleri
4.2.1. Öğrenmeli Vektör Kuantalama
Saklı Markov Modelinde (Hidden Markov ModelHMM) sisteme giriş olarak mevcut durumlar
verildiğinde oluşabilecek gelecek durumlar
tahmin edilmeye çalışılır. Her çalıştırıldığında
farklı bir çıkış ürettiğinden HMM stokastik bir
süreçtir. Ayrıca, Markov modellerinde sistem
Öğrenmeli Vektör Kuantalama (Learning Vector
Quantization-LVQ) bir eğiticili sınıflandırma
yöntemidir. Bu teknik Kohonen öğrenme kuralına
göre gerçekleştirilir. LVQ tekniği diğer
sınıflandırma algoritmalarından farklı olarak; n
430
Bakır vd. / GUFBED 10(2) (2020) 425-441
olasılık dağılımına bağlı olarak kendi durumundan
başka bir duruma geçebilir ya da aynı durumda
kalabilir. Durumda meydana gelen olasılıklar
geçiş olasılıkları olarak adlandırılır. HMM normal
Markov modelinden farklı olarak durumlar
gözlemci tarafından görülmez. Ancak, duruma
bağlı olan geçişler görülebilir.
N
IA
IP
SA
Şekil 1. HMM’de kullanılan güvenlik durumları
Saklı Markov modelinin ağlardaki güvenlik
modellemesi Şekil 1'deki gibidir (Haslum vd.,
2007). Durumlar güvenlik durumlarını daireler
olarak gösterirken eğer sisteme zarar veren bir
durum oluşmuşsa bu durum SA ile gösterilmiştir.
Gözlemler mevcut durumlardan bağımsızdır. Her
iterasyon
sonucundan hesaplanan olasılık
dağılımları güncellenir (Rabier, 1990). Deshmukh
ve arkadaşları (Deshmukh vd., 2015) tarafından
KDD-Cup 1999 verisi üzerinde yaptıkları
çalışmada %93.4 başarı elde etmişlerdir. KDDCup 1999 verisi üzerinde yapılan çalışmalarda
Saklı Markov modeli yöntemi yaklaşık %92
başarı sağlamıştır (Shanmugauadiu vd., 2014).
Saldırı tespit sistemleri dağıtık sistemlerde ağ
trafiğindeki kötü paketleri fark eden savunma
mekanizmalarıdır. Saldırı önleme sistemleri ağ
tabanlı ve host tabanlı saldırı önleme sistemleri
olmak üzere 1’ye ayrılır. Saldırı önleme
sistemlerinin asıl amacı normal ağ trafiğindeki
şüpheli akışı ve şüpheli paketleri gözlemlemektir.
Ayrıca, şüpheli ağ trafiğinin yolunu yeniden
düzenleyerek DoS saldırısı gibi saldırılarının
önlenmesini sağlamaktadır. Aynı zamanda tüm ağ
performansını ve yüksek paket işleme oranlarını
gözlemler. Yanlış pozitif oranlarını DoS
aşamasında azaltmaya çalışır (Haslum vd., 2007).
4.2.3. Naive Bayes Sınıflandırıcılar
HMM biyoinformatik, el yazısı tanıma, görüntü
işleme ve ses işleme gibi birçok alanda yaygın bir
şekilde kullanılmaktadır. Dağıtık veritabanında
saldırı tahmin önleme için HMM kullanılmıştır ve
risk değerlendirilmesi yapılmıştır (Haslum ve
Abraham, 2007). HMM’de iki stokastik işlemi
vardır. Biri sistemin durumu (xt; t=1,2,…) diğeri
ise gözlemlenebilen işlemler (yt; t=1,2,…)’dir. T
saldırı tespit temsilcileri arasında ardışık olan
gözlemleri ifade etmektedir. HMM birimleri
aşağıdaki gibidir (Haslum ve Abraham, 2007):
Naive Bayes tekniği Bayesian olasılığına dayalı
bir tekniktir. Naive Bayes sınıflandırıcısı
birbirinden bağımsız olayları işler. Bunun en
önemli nedeni bir özelliğin olasılığının diğer
özelliklerin olasılığından etkilenmemesidir. Metin
dokümanlarını sınıflandırmada, e-postadaki gelen
mailleri spam olup olmadığını sınıflandırmada
yaygın bir şekilde kullanılmaktadır. Verilerin
hangi sınıfa ait olduğunu belirlemek için tüm
verilerin olasılıklarını hesaplar. Bir verinin
olasılığı diğer verilerin gerçekleşme durumunun
meydana gelme olasılığına ve tüm verilerin olma
olasılığına bağlıdır. Hangi sınıfın olasılık değeri
büyükse veri o sınıfa dahil edilir. Naive Bayes
sınıflandırıcısı tekniğinin sonuçları genelde
doğrudur. Ancak verinin gürültülü olması,
varyansı gibi bazı sebeplerden dolayı hatalı
sonuçlar üretebilir. Naive Bayes giriş özelliklerini
indirgeyerek önemli özelliklerin bulunmasını
sağlar. Böylelikle etkili ve etkin saldırı tespit
sistemi oluşturulabilir (Mukherjee vd., 2012).
• S= { s1, s2,…,sN } sistemde olası durumları
tanımlar. Bu çalışmada Normal (N), Intrusion
Attempt (IA), ağda oluşan şüpheli aktiviteler
Intrusion in Progress (IP) ve bir ya da daha
fazla saldırının sistemde olması Successful
Attack (SA) olmak üzere 4 durum vardır.
• Sistemde oluşan gözlemler ise V= {v1,
v2,...,vM} ile ifade edilir. Bu çalışmada hiç
şüpheli aktivite olmaması (N), ağda şüpheli bir
aktivitenin olması (P) ve şüpheli bir aktivitenin
başarılı olarak gerçekleştirilme gözlemi (SA)
olmak üzere üç gözlem vardır.
• İlk dağıtık vektör π= { πi } ve πi= P (xi=i)
olarak sistemde tanımlanır. Bu sistem Ndurumlu olarak farz edilir.
• Geçiş olasılık matrisi P= { pij } ve pij=P (xt=j I
xt-1=i )’dir. Bu sisteme izinsiz olarak giren
kullanıcılar ile sistem arasındaki etkileşimi
gösterir.
• Gözlemlenebilen olasılık matrisi ise her
saldırı tespit sisteminin temsilcileri için
güvenliği ya da kalitesi için tanımlanır.
Naive Bayes sınıflandırma yöntemi ile ağda
meydana gelen saldırılar tespit edilmeye
çalışılmıştır (Sharma, 2012). KDD’cup’99 veri
seti üzerinde ağda meydana gelen yeni saldırı
türlerini tespit etmek amacıyla yaptıkları
çalışmada oldukça başarılı sonuçlar elde
etmişlerdir. Deshmukh ve arkadaşları (Deshmukh
vd., 2015) tarafından KDD-Cup 1999 verisi
üzerinde yaptıkları çalışmada %88.02 başarı elde
etmişlerdir. KDD-Cup 1999 verisi üzerinde
yapılan çalışmalarda Naive Bayes yöntemi
yaklaşık %91 başarı sağlamıştır (Obeidat vd.,
2019).
431
Bakır vd. / GUFBED 10(2) (2020) 425-441
yapabilmek için kullanılan biyolojik süreçlerin
esas alındığı yöntemlerdir.
4.2.4. Bulanık Mantık
Bulanık Mantık (Fuzzy Logic) teknikleri
bilgisayar güvenliği alanında 90’lı yıllardan beri
kullanılmaktadır. Bu teknikte kesinlik kavramı
yoktur. Bir veri birden fazla sınıfa üyelik
derecesine göre dahil edilir. Üyelik derecesi 0 ve
1 arasındadır. Örnek verecek olursak havanın
veya suyun sıcak, soğuk ve ılık olması kişilere
göre değişiklik gösterir. Bu sebeple belli değer
aralıkları bu üç sınıfı kapsar. Bulanık Mantık
tekniğinin adımları aşağıda verilmiştir:
•
•
•
•
•
Genetik algoritmalar geleneksel yöntemlerle
çözümü zor veya imkansız olan problemlerin
çözümünde kullanılır. Genetik algoritmalar
rastgele arama metodu olduğu için problemin
optimum çözümü için tek bir çözüm aramak
yerine birden fazla çözüm kümesi üzerinden
çalışır. Bu nedenle problem çözümünde sonuçlar
her zaman en iyi olmaz. Genetik algoritmanın
tercih edilmesinin nedeni, genetik algoritmanın
problemin doğasıyla ilgili herhangi bir bilgiye
ihtiyaç duymamasıdır. Genetik algoritmanın temel
adımları aşağıdaki gibidir (Kannan, 2016):
Tüm veriler tanımlanır.
Üyelik fonksiyonları belirlenir.
Uygulanacak kurallar tanımlanır.
Kurallar değerlendirilir ve birleştirilir.
Veriler gösterilen üyelik değerlerine göre
sınıflandırılır.
• Rastgele popülasyon oluşturulur.
• Genetik
işlemler
(seçme,
çaprazlama)
uygulanarak bu popülasyondan yeni bireyler
oluşturulur. Seçme ve çaprazlama işlemleri
popülasyondaki bireylerden gen alışverişi
yaparak yeni bireyleri oluşturur.
• Bu bireyler içerisinde problemi çözebilecek en
uygun bireyler seçilir.
• Popülasyon boyu tüm iterasyonlar için aynıdır
ve gelecek iterasyon için fonksiyonun en
yüksek olasılığı seçilir. İterasyon en uygun
eşik değerine gelince durur.
Karışık sistemlerde bilgisayar güvenliğini
sağlamak için gelen verileri sürekli analiz eder.
Ayrıca, bu teknik kullanıcı imzalarını ya da klasik
örüntü tanımayla saldırıları tespit etmeye çalışır.
Hatalı ya da normal olmayan olayları tespit eder.
İki aşamadan oluşur. İlk aşama kural üretimi;
ikinci aşama ise saldırıların tespiti ve
önlenmesidir. Bulanık Mantık, düşük, orta ve
yüksek saldırı türlerini birbirini kapsayacak
biçimde ele aldığı için birçok keskin sınır
probleminin üstesinden gelir ve yanlış Pozitif
olarak oluşan hataları azaltır. Gerçek zamanlı
sistemlerde sistem optimizasyonunu sağlar (Rizvi
vd, 2016).
Dağıtık sistemlerde ağ yapısı G=(N,E) ağırlıklı
graf ile gösterilir. E düğümler arasındaki
haberleşme bağlantılarını gösterirken N ise
düğümleri gösterir. Çoklu ağ yapılarında T
değişkeni maliyet olmak üzere ağ yapısı T=
(𝑁𝑇 ,𝐸𝑇 ) gösterilir. 𝑃𝑇 (s,u) ise; s kaynağından u
hedef düğüme olan yolu gösterir. T maliyeti
eşitlik 1’teki gibi hesaplanır (Kannan, 2016).
Bulanık Mantık tekniği kullanılarak Tian ve
arkadaşları (Tian, 2005) büyük veri setleri alt veri
setlerine bölünmüştür ve farklı veri setleri için
TCP verisi izlenerek veri setinin performans
analizi gerçekleştirilmiştir. KDD-Cup 1999 verisi
üzerinde yapılan çalışmalarda Bulanık Mantık
yöntemi yaklaşık %94 başarı sağlamıştır
(Shanmugauadiu vd., 2014). Nadiammai ve
arkadaşları ise (Nadiammai vd., 2012) KDD-Cup
1999 verisi üzerinde k-Ortalama Kümeleme
yöntemi ile %81.54 başarı elde etmişlerdir.
𝐶 (𝑇𝑒 ) = ∑ 𝑒ℇ𝐸𝑇 𝐶 (𝑒), 𝑒ℇ𝐸𝑇
(1)
𝐵𝑇 = min(𝐵 (𝑒), 𝑒ℇ𝐸𝑇 )
(2)
s kaynak düğümünden u hedef düğüme olan
minimum bant genişliği ise eşitlik 2’teki gibi
hesaplanılır.
KDD-Cup 1999 verisi üzerinde yapılan
çalışmalarda genetik algoritma yaklaşık %85
başarı sağlamıştır (Hassan, 2013).
4.3. Yapay Zeka Yöntemleri
Bu grup altında Genetik Algoritma, Yapay Sinir
Ağları ve Yapay Bağışıklık teknikleri yaygın bir
şekilde kullanılan yöntemlerdir.
4.3.2. Yapay Sinir Ağları
Yapay Sinir Ağları (Artifical Neural NetworkANN)
insan
beynini
modelleyen
bilgi
sistemleridir ve öğrenme yoluyla verileri
sınıflandırır. İnsan beyninin çalışma prensibinden
hareketle geliştirilmiştir. Bir başka deyişle; ANN
4.3.1. Genetik Algoritma
Genetik algoritma arama ve optimizasyon
problemlerinin çözümünde ayrıca, modelleme
432
Bakır vd. / GUFBED 10(2) (2020) 425-441
biyolojik sinir ağlarına benzer bir mantıkla
geliştirilmiş ve birbirine ağırlıklar ile bağlantılı
olan bilgi işleme yapılarıdır.
ANN’da her iterasyon sonucunda çıkış
katmanındaki hata hesaplanarak bu hata çıkış
katmanından giriş katmanına doğru bütün
nöronlara iletilir ve ağırlıklar hata payına göre
tekrar düzenlenir. Bu hata payı nörona ait
kendinden önceki nöronlara ağırlıklarıyla orantılı
olarak dağıtılır.
Bir ANN girdi, çıktı ve gizli katmanlardan oluşur.
Girdi katmanıyla veriler yapay sinir ağına alınır,
çıktı katmanıyla da veriler dışarıya aktarılır. Girdi
ile çıktı katmanı arasındaki katmanlar ise gizli
katmanları oluşturur.
ANN dağıtık sistemlerde güvenlik açıklarının
çözümlenebileceği bir yöntemdir. Dağıtık
hesaplamalarda ANN düğümler, düğümler
arasındaki bağlantılar ve işlem birimlerinden
oluşur. İki birim arasındaki bağlantı bir birimin
diğer birimi etkileyen ağırlıklarından oluşur. Bu
birimler giriş düğümlerinden çıkış düğümlerine
doğru toplanarak ve eşik değerden geçerek
hareket eder. ANN farklı ağ güvenliklerinde, tıpta,
pazarlamada,
bankacılık
ve
finansta,
telekomünikasyonda, işlemler yönetiminde ve
diğer endüstrilerde uygulanır (Alhello vd., 2017).
İleri beslemeli Yapay Sinir Ağlarında nöronlar
sadece ileriye doğru bağlıdır. Nöron, birbirine
bağlanmış tüm verileri ifade eder. Nöron ağının
herbir katmanı gelecek katmanın bağlantısını
içerir ve bu bağlantılar geriye doğru değildir. Yani
nöronlar arasında hiyerarşik bir yapı vardır ve bir
katmandaki nöronlar sadece kendinden sonraki
katmana veri iletir. Şekil 3’te ileri beslemeli ANN
yapısı gösterilmiştir. İleriye geçiş, çıkış katmanına
ulaşan aktivasyon akışı ve giriş örneklerinden
oluşur. Sigmoid, Gauss fonksiyonu gibi
aktivasyon fonksiyonları kullanılabilir. Geriye
geçiş aşamasında ise ağdaki asıl çıkış hedef çıkış
ile karşılaştırılır ve çıkış birimlerinde oluşan hata
hesaplanır (Alhello vd., 2017). Bu yapı saldırı
tespit ve önleme sistemleri için eşitlik 3, eşitlik 4
ve eşitlik 5’deki gibi hesaplanır (Tong vd., 2009).
𝑥 (𝑡) = 𝑓(𝑊 𝐴 𝑥𝐶 (𝑡) + 𝑊 𝐵 𝑢 (𝑡 − 1))
(3)
𝑥𝐶 (𝑡) = 𝑥 (𝑡 − 1)
(4)
𝑦(𝑡) = 𝑔(𝑊 𝐶 𝑋(𝑡))
(5)
Tong ve arkadaşları saldırı tespit sisteminde ANN
modelini kullanmışlardır. Elman sinir ağları ile
hem hatalı hem de anomali saldırıları tespit
etmeye çalışmışlardır. Bu sinir ağları düğümlerin
içeriğine sahiptir ve her düğümün içeriği tek gizli
katmandan girişini alır ve her düğüm için çıkış
gizli katmana bağlıdır (Tong vd., 2009). Mahit ve
arkadaşları (Mahit vd., 2015) KDD-Cup 1999
verisi üzerinde ANN ile yapmış oldukları
çalışmada yaklaşık %94 başarı sağlamıştır.
Ayrıca, Aburomman ve arkadaşları (Aburonman
vd., 2016) tarafından KDD-Cup 1999 verisi
üzerinde yapılan çalışmada da %98.5 başarı elde
edilmiştir.
4.3.3. Yapay Bağışıklık Sistemi
Bu ifadelerde x(t) gizli katman çıkışını, y(t) çıkış
katmanının çıkışını, u(t-1) ise ağın girişini, WA
birimler ve gizli katman arasındaki bağlantının
ağırlığını, WB giriş ve çıkış katmanı arasındaki
bağlantının ağırlığını, WC gizli ve çıkış katmanı
arasındaki bağlantının ağırlığını, f(.) ve g(.) ise
gizli katman ve çıkış katmanı arasındaki
aktivasyon kodunu gösterir (Tong vd., 2009).
Genetik algoritma arama ve optimizasyon
problemlerinin çözümünde ayrıca, modelleme
yapabilmek için kullanılan biyolojik süreçlerin
esas alındığı yöntemlerdir.
Bağışıklık sistemini, vücudu hastalıklara karşı
koruyarak ona savunma kazandıran bir koruyucu
mekanizma olarak tanımlayabiliriz. Bağışıklık
sisteminin biyolojik tanımı
ve çalışma
mantığından esinlenerek ortaya çıkan Yapay
Bağışıklık Sistemi (Artificial Immune SystemAIM), özellikle son yıllarda yapay zeka temelli
yöntem olarak araştırma çalışmalarında sıklıkla
yer aldığı gözlemlenmiştir. Bahse konu bu
araştırma alanlarından biri de AIM'nin saldırı
tespitinde kullanılmasıdır. Yapay bağışıklık adını
verdiğimiz bu sistemin ilk esinlenme kaynağının
bilgisayar virüsleri olduğunu söyleyebiliriz.
Geri yayılım (backprogation) ağ ise nöronun nasıl
eğitildiğini gösterir. ANN eğitici öğrenmenin bir
türüdür. Eğitici methot kullanıldığında ağ hem
örnek girişleri hem de beklenen çıkışlar ile
sağlanır. Girişleri verilen ağlar için beklenen
çıkışlar asıl çıkışlarla karşılaştırılır. Beklenen
çıkışların kullanılması durumunda hata hesaplanır
ve çıkış katmanından giriş katmanına geriye doğru
çeşitli katmanların ağırlıkları ayarlanır. Ağ
beklenen çıktıyı elde etmek üzere katsayılarını
günceller.
433
Bakır vd. / GUFBED 10(2) (2020) 425-441
Şekil 2. AIM’nin katmanlı yapısı (Shen vd., 2011)
ise KDD-Cup 1999 verisi üzerinde yaptıkları
çalışmada %92.41 başarı sağlamışlardır.
Yapay Bağışıklık Sistemi (AIM), katmanlı bir
yapıda olup, Şekil 2’de gösterilmiştir (Shen vd.,
2011). Sistemin temel parçası olarak kullanılan
antijen ve antikorlar arasındaki benzerlik, tanıma,
şekil uzayında gösterim gibi Afinite Ölçümü
(benzerlik ölçümü) ile sağlanır. Afinite ölçümü
için Öklid, Hamming veya Manhattan mesafeleri
kullanılır. Afinite ölçümü düşük olan bireyler
daha fazla mutasyona uğratılarak bir antijeni
tanıyacak en iyi antikor bulunur ve antikor belirli
oranlarda mutasyon ile çoğaltılır (klonal seçim
algoritması),
çoğaltılan
hücreler
antikor
hücrelerine eklenir. Antijen, antikor hücrelerine
sunulur. Antijeni en iyi tanımlayan ve belirli bir
eşik değerinin üzerinde olan antikorlar alınır ve
aralarında yarıştırılır (Afinite ölçümü ile benzerlik
oranları hesaplanır). Yarışma sonucunda Afinitesi
düşük olan belirli sayıda bireyler alınarak bellek
hücresine eklenir. Böylece, bir antijene karşı en
iyi antikor hücrelerini temsil edecek bellek
hücresini üretilmiş olur. Bu süreç sisteme
sunulacak diğer antijenler için de ayrı ayrı
2017).
Shen
ve
uygulanır
(Farhaoui,
arkadaşları’nın (Shen vd., 2011) KDD-Cup 1999
verisi üzerinde yapılan çalışmalarında yapay
bağışıklık yöntemi yaklaşık %99 başarı
sağlamıştır. Chen ve arkadaşları (Chen vd., 2016)
5. Materyal ve Method
Dağıtık veritabanlarında saldırı tespit ve önleme
sistemlerinde kullanılan yöntemler Tablo 1’de
gösterildiği gibi üç ana grupta toplanmıştır: Veri
madenciliği yöntemleri, İstatiksel yöntemler ve
Yapay Zeka yöntemleri. Her bir yöntemdeki
tekniklere izleyen alt bölümlerde yer verilmiştir.
Ayrıca, tekniklerin performans değerleri grup içi
ve gruplar arası olmak üzere değerlendirilmiştir.
Şekil 3’de K Ortalama Kümeleme tekniğinin akış
şeması verilmiştir. Bu teknikte tüm verilerin
merkeze olan uzaklığı hesaplanır ve uzaklığı en
küçük olan veriler aynı sınıfta toplanır.
Şekil 4’te genetik algoritmanın adımları
verilmiştir. Genetik algoritmada iyileştirme süreci
en iyi popülasyon bulununcaya kadar devam eder.
Şekil 5’de birliktelik kuralının akış şeması
verilmiştir. Her nesnenin destek değeri bulunur ve
en küçük destek değeri ile her nesnenin destek
değeri karşılaştırılır ve küçük olanlar kümeye
alınarak birliktelik kuralları oluşturulur.
434
Bakır vd. / GUFBED 10(2) (2020) 425-441
Başla
Sınıf
Sayısı
Centroid Değerlerini Hesapla
Obje
Hareket
Etti mi?
Bitir
Centroidlerin Objelere olan
Uzaklığı
Minimum Uzaklığa göre Hesapla
Şekil 3. K ortalama kümeleme tekniğinin akış diagramı
Başla
Başlangıç Popülasyonu
Uygunluk Değerlendirme
Seçim
Çaprazlama
Mutasyon
Yeni Popülasyon
Sistemdeki
iyileşme devam
ediyor mu?
Hayır
Bitir
Şekil 4. Genetik algoritma akış diagramı
435
Evet
Bakır vd. / GUFBED 10(2) (2020) 425-441
Başla
Başlangıç Parametresi, k=1
Anket
Verileri
Veri Setini Tanımla
k Öğe Setini Tanımla
k=k+1
k Öğe
Setindeki
Herbir Öğe
İçin
H
k <= K
Destek Değerini Hesapla
E
E
k Öğe Seti
Boş mu?
Destek Değeri
Minimum
Destek
Değerinden
Büyük mü?
H
Birliktelik
Kuralını
Oluştur
H
Öğeyi k Öğe Setinden Çıkar
Şekil 5. Birliktelik kuralları akış diagramı
436
Bakır vd. / GUFBED 10(2) (2020) 425-441
analiz yapıldığı için yeni saldırı türlerinin
bulunması oldukça zordur. Ayrıca çok büyük veri
setleri için uzun süren hesaplamalar gerektirir. Bu
da ölçekleme problemi, zaman ve hesaplama
karmaşıklığı gerektirir. İstatiksel yöntemler ise
veri madenciliği yöntemlerine aksine geçmiş
verilere ihtiyaç duymaz. Bu sebeple yeni saldırı
türlerini bulmada veri madenciliği yöntemlerine
göre daha etkilidir. Ancak veri madenciliği
yöntemlerinde ek parametrelere ihtiyaç duyulmaz.
Bu yöntemlerde ise ek parametreler gerekir ve
tüm veriler için ortak ve doğru parametreleri
belirlemek zordur. Yapay zeka yöntemleri çok
büyük veri setleri için kullanılır. Diğer iki
gruptaki yöntemlerin tersine oldukça pratiktir ve
esnektir. Sezgiye dayalı teknikleri içerir. Ayrıca
diğer yöntemlerden farklı olarak saldırı türlerini
tespit ederken özel bilgilere ihtiyaç duymaz.
Karmaşık yapıya sahip veri türlerini bulmada
başarılı sonuçlar verir. Ancak bu gruptaki
yöntemlerde tek bir çözüm yolu kullanılmadığı
için yüksek miktarda kaynak tüketir.
6. Bulgular
Bu çalışmada, dağıtık veritabanı saldırı tespit ve
önleme yöntemleri doğruluk, hız, performans,
kullanılan veri setinin büyüklüğü gibi bazı
metriklere göre karşılaştırılmıştır. Buna göre
kullanılan yöntemlerin avantaj ve dezavantajları
Tablo 2’de gösterilmiştir. Veriler arasındaki
benzerlikleri bulmak, ilişkiyi tespit etmek, verileri
tanıma, geçmiş verilerden yararlanacak tüm
veriler için ortak model oluşturma, benzer
özeelliklere göre gruplama yapmak veri
madenciliği yöntemlerinin ortak özelliğidir.
Saldırı türlerini kolay ve doğru bir şekilde tespit
eder. Bu tekniklerin ortak özelliği faydalı ve
mantıklı veriyi elde etmek için birden fazla
basamaktan oluşan bir veri analizi yapar. Saklı
ilişkileri ortaya koyduğundan küçük verilerde
oldukça başarılı sonuçlar verir. Ayrıca birden
fazla veri madenciliği tekniğini kullanarak daha
başarılı sonuçlar eşde edilebilir. Ancak bu
yöntemlerde geçmiş verilerden yararlanılarak
Tablo 2. Dağıtık sistemlerde kullanılan yöntemlerin avantaj ve dezavantajları
Veri Madenciliği Yöntemleri
İstatiksel Yöntemler
Yapay Zeka Yöntemleri
Avantaj: Küçük veriler için oldukça kullanışlı ve başarısı yüksektir.
Sağlamdır ve sonuçları kesine yakındır.
Dezavantaj: Sisteme uygulanması bir takım hesaplama ve zaman
karmaşıklığını beraberinde getirmektedir.
Avantaj: Normal hareketleri gözlemlemek için genelde önceki bilgilere ihtiyaç
duymaz. Bu sebeple yeni saldırı türlerini bulmada etkindir.
Dezavantaj: Sistemin başarısını hesaplayabilmek için gerekli olan
parametreleri ve metrikleri belirlemek oldukça zordur ve her veri seti için
farklılık gösterir.
Avantaj: Esnektir ve hemen hemen tüm veri setlerine uygulanabilir.
Dezavantaj: Saldırı tespit ve önleme sistemleri için yüksek miktarda kaynak
tüketir.
Teknolojinin gelişmesiyle birlikte veriye erişim ve
veri iletişimi oldukça kolaylaşmıştır. Dağıtık
sistemler veriye her yerden hızlı ve kolay bir
şekilde erişim sağlanmaktadır. Ancak, birden
fazla kullanıcının aynı anda farklı yerlerden
sisteme erişmek istemesi veri güvenliği, veri
gizliliği, servis sürekliliği, yetkilendirme ve veriyi
güvenli saklama gibi birtakım problemleri de
beraberinde getirmektedir. Kullanıcıların veriye
erişim sorunları, ağın dinlenmesi, hizmetin
engellenmesi, güvensiz ağlar, yetkisiz kişilerin
önemli bilgileri ele geçirerek saklaması bu
problemlerden birkaçını oluşturmaktadır. Bu
problemlerin üstesinden gelebilmek için Veri
Madenciliği, İstatiksel ve Yapay Zeka alanında
kullanılan saldırı tespit ve önleme tekniklerine
dayalı olarak gerçekleştirilmiş çeşitli sistemler
kullanılmaktadır.
Yapay zeka teknikleri ve veri madenciliği
yöntemleri istatiksel yöntemlere göre daha başarılı
sonuçlar vermektedir. Ayrıca, yapay zeka
yöntemleri büyük veriler için daha kolay
uygulanmaktadır. Bu teknikler birleştirilerek daha
güvenli ve daha hızlı veri gönderimini
gerçekleştirmek mümkün olabilir.
7. Değerlendirme
Dağıtık veritabanlarında saldırı tespit ve önleme
sistemlerinde kullanılan yöntemler Tablo 1’de
gösterildiği gibi üç ana grupta toplanmıştır: Veri
madenciliği yöntemleri, İstatiksel yöntemler ve
Yapay Zeka yöntemleri. Her bir yöntemdeki
tekniklere izleyen alt bölümlerde yer verilmiştir.
Ayrıca, tekniklerin performans değerleri grup içi
ve gruplar arası olmak üzere değerlendirilmiştir.
437
Bakır vd. / GUFBED 10(2) (2020) 425-441
arttırdığı gözlemlenmiştir. Bu yöntemler ile eldeki
veri daha kullanışlı hale getirilmektedir.
Dağıtık veritabanlarında saldırı tespit ve önleme
sistemleri için kullanılan tekniklerin KDD-Cup1999 verisi üzerindeki performans sonuçları
çeşitli çalışmalardan derlenerek Tablo 3’de
verilmiştir. Yapılan çalışmaların sonuçları
normalizasyon, gürültüden temizleme, özellik
çıkarımı ve özellik seçimi tekniklerine bağlı
olarak değişmektedir. Çünkü yapılan çalışmalarda
gürültü giderimi, özellik çıkarımı ve seçme
yöntemleri kullanılması sınıflandırma başarısını
Dağıtık veritabanlarında saldırı tespit ve önleme
sistemleri için kullanılan tekniklerin gerçek veri
seti üzerindeki performans sonuçları ise Tablo
4’de verilmiştir. Bu deneysel çalışmada kullanılan
veri seti bir bankanın 2 yıllık verileri gözönüne
alınarak hesaplanmıştır.
Tablo 3. Dağıtık sistemlerde kullanılan yöntemlerin başarıları
Yöntemler
Başarı Oranı(%)
Teknikler
Veri Madenciliği
Yöntemleri
İstatiksel Yöntemler
Yapay Zeka Yöntemleri
Destek Vektör Makineleri
93.9 (Aburomman vd., 2016)
k En Yakın Komşuluk
96.24 (Senthilnayaki, 2019)
Karar Ağacı
97.7 (Ugochhukwu vd., 2018)
Birliktelik Kuralları
96.9 (Abraham vd., 2007)
k-Ortalama Kümeleme
91.84 (Sharma vd., 2018)
Bulanık Mantık
94.92 (Abraham vd., 2007)
Saklı Markov Modelleri
93.4 (Shanmuyavadiu vd., 2014)
Naive Bayes
91.23 (Obeidat vd., 2019)
Öğrenmeli Vektör Kuantalama
81 ( Soleiman vd., 2014)
Yapay Bağışıklık
99.74 (Shen vd., 2011)
Yapay Sinir Ağları
94 (Aburonman vd., 2016)
Genetik Algoritma
85.7 (Hassan, 2013)
8. Tartışma ve Sonuç
Tablo 4. Banka verisi üzerinde kullanılan
yöntemlerin başarıları
Yöntemler
Veri Madenciliği
Yöntemleri
İstatiksel
Yöntemler
Yapay Zeka
Yöntemleri
Teknikler
Destek Vektör
Makineleri
k En Yakın
Komşuluk
Karar Ağacı
Gününümüzde eğitim, ekonomi, askeri ve iş
hayatının birçok yerinde bilgisayarlar yaygın bir
şekilde kullanılmaktadır. Ağ üzerinden gizli, özel
ve korunması gereken birçok değerli bilgiler
kullanıcılar
arasında
paylaşılmaktadır.
Teknolojinin hızla artması, bilginin paylaşılması
ağ ve bilgisayar güvenliğinde saldırıların
oluşmasına
neden
olmaktadır.
Şifreleme,
yetkilendirme, yetkisiz kişilerin sisteme zarar
vermesi, sistemi çökertme gibi birçok güvenlik
sorununun ortaya çıkması gerekli güvenlik
tedbirlerinin de alınmasını gerekli kılmaktadır. Bu
durumda sistemi kötüye kullanan kullanıcıları
tespit etmek ve normal olmayan anormal
davranışları önlemek için saldırı tespit ve önleme
sistemleri ortaya çıkmıştır.
Başarı
Oranı(%)
87.64
88.16
82.75
Birliktelik
Kuralları
k-Ortalama
Kümeleme
Bulanık Mantık
81.01
Saklı Markov
Modelleri
Naive Bayes
81.37
Öğrenmeli Vektör
Kuantalama
Yapay Bağışıklık
75.88
Yapay Sinir
Ağları
Genetik
Algoritma
90
83.61
78.20
79.59
Veri madenciliği yöntemlerinde kullanılan
tekniklerle veriler arasındaki benzerlikler, ilişkiler
tam olarak belirlenir. Ancak özellikle Destek
Vektör Makineleri, k-Ortalama gibi teknikler çok
uzun süren hesaplamalar gerektiği için büyük
93.26
91.83
438
Bakır vd. / GUFBED 10(2) (2020) 425-441
Aburonman, A. ve Reaz, M., 2016. A Novel SVMkNN-PSO Ensemble Method for Intrusion
Detection System. Elseiver Applied Soft
Computing, 38, 360-372.
verilerde zaman ve maliyet gerektirir. Bu sorunu
çözebilmek için kullanılan veride özellik çıkarımı,
özellik seçimi ve boyut indirgeme yapılabilir.
Böylelikle büyük verilerde algoritma karmaşıklığı
azaltılır. Bu grupta en başarılı sonucu k En Yakın
Komşuluk tekniği vermiştir. Çünkü bu teknikte
her hesaplamada birbirine benzer saldırı türleri
daha belirgin bir şekilde ortaya çıkar. Ayrıca
Destek Vektör Makinelerinde saldırı türlerini
birbirinden ayıran sınıfları temsil edecek en uygun
fonksiyon elde edildiği için bu teknik bu gruptaki
diğer tekniklere oranla daha başarılıdır.
Alhello, Z., Abdul, A. ve Harleen, K., 2017. On
Applicatiablity of Neural Network in Intrusion
Detection and Prevention. International Journal
of Advanced Research in Computer Science,
8(7), 494-498.
Bakir, C. ve Hakkoymaz, V., 2015. Veritabanı
Güvenliğinde Saldırı Tahmini ve Tespiti için
Kullanıcıların Sınıflandırılması, ISCTurkey
2015 8.Uluslararası Bilgi Güvenliği ve
Kriptoloji Konferansı (VIII. Int’l Conference on
Information Security and Cryptology), Ankara,
Türkiye, s.1-6.
İstatiksel yöntemlerde ise Saklı Markov Modeli
bu gruptaki en başarılı tekniktir. Çünkü Saklı
Markov Modelinde mevcut durumlara göre
çıkışlar stokastik olarak üretilir ve en doğru
çıkışlar böylelikle elde edilir. Veri madenciliği
yöntemlerine göre bu gruptaki tekniklerde yeni
saldırı türlerini bulmak için geçmiş veriler gibi ek
parametrelere bakılmaz. Bu sebeple yeni saldırı
türlerini bulmada daha başarılı sonuçlar verir.
Castro, L. ve Timmis J., 2003. Artificial İmmune
Systems as a Novel Soft Computing Paradigm.
Soft Computing, Springer, 7(8), 526-544.
Chen, M., Chang, P. ve Wu, J., 2016. A PopulationBased İncremental Learning Approach with
Artificial İmmune System for Network Intrusion
Detection. Elseiver Engineering Applications of
Artificial Intelligence, 51, 171-181.
Yapay zeka yöntemleri ise diğer iki gruptaki
tekniklere oranla çok büyük hesaplamalar
gerektirmez. Bundan dolayı daha kısa zamanda
sonuç üretir. Sezgisel bir yöntem olduğundan
dolayı istatistiksel yöntemler gibi ek bilgilere
ihtiyaç duymaz. Ek bilgiler olmadan da doğru
sonuçlar üretebilir. Yapay Bağışıklık tekniği
saldırı türlerini bulmada bu gruptaki en başarılı
tekniktir. Çünkü Genetik Algoritma ve Yapay
Sinir Ağları, tek bir en iyi adayı bulmaya
çalışırken, Yapay Bağışıklık Sistemi süreç
boyunca oluşturulan tüm popülasyonlarda da en
iyi bireyleri bulmaya çalışır. Ayrıca üç gruptaki
tekniklerin hepsinde de gürültü giderimi, veri ön
işleme yapılarak başarı arttırılır.
Degang, Y. ve Guo, C., 2007. Learning Vector
Quantization Neural Network Method for
Network Intrusion Detection. Wuhan University
Journal of Natural Sciences, 12(1), 147-150.
Deng, H.ve Zeng, Q., 2003. SVM-baseed Detection
System for Wireless Ad Hoca Networks,
Vehicular Technology Conference, Orlando,
USA, 2147-2151.
Faraoun, K.M. ve Boukelif, A., 2007. Neural Networks
Learning Improvement Using the K-Means
Clustering Algorithm to Detect Network
Intrusions. International Journal of Computer
and Information Engineering, 1(10), 3138-3145.
Sonuç olarak, yapay zeka tekniklerinden özellikle
Yapay Bağışıklık tekniği dağıtık veritabanları için
saldırı tespit ve önleme sistemlerinde oldukça
başarılı sonuçlar vermiştir. Yapay zeka
tekniklerinin saldırı tespit ve önlemede etkin bir
şekilde kullanılması ileride yapılacak çalışmalar
için büyük önem taşır. Özellikle geliştirilmiş
yapay zeka tekniklerini de içeren hibrit yöntemler
kullanılarak daha başarılı sonuçlar elde
edilebileceği göz ardı edilmemelidir.
Farhaoui, Y., 2017. Design and Implementation of an
Intrusion Prevention System. International
Journal of Network Security, 19(5), 675-683.
Hamman, B. ve Hoffman, D., 2014. Learning Vector
Quantization for (dis-)-similarities. Elsevier
Neurocomputing, 131, 43-51.
Haslum, K. ve Abraham, A., 2007. Disp: A Framework
for Distributed Intrusion Prediction and
Prevention Using Hidden Markov Models and
Online Fuzzy Risk Assesment. 3rd International
Symposium on Information Assurance and
Security, Manchester, United Kingtom, 183-190
pp.
Kaynaklar
Abraham, A., Grosan, C. ve Martiv-Vide, C., 2007.
Evolutionary Design of Intrusion Detection
Programs. International Journal of Network
Security, 4, 328-339.
Hassan, M., 2013. Network Intrusion Detection System
Using Genetic Algorithm and Fuzzy Logic.
International Journal of Innovative Research in
439
Bakır vd. / GUFBED 10(2) (2020) 425-441
Noum, R. ve Al-Sultani, Z., 2012. Learning Vector
Quantization (LVQ) and k-Nearest Neighbor for
Intrusion Classification. World of Computer
Science and Information Technology Journal
(WCSIT), 2(3), 105-109.
Computer and Communication Engineering,
1(7), 435-1445.
Hu, W. ve Jun, G., 2014. Online Adaboost-Based
Parameterized
Methods
for
Dynamic
Distributed network Intrusion Detection. IEEE
Transactions on CyberNetics, 44(3), 66-82.
Hu, Y. ve Panda, B., 2004. A Data Mining Approach
for Database Intrusion Detection. ACM
Symposium on Applied Computing, 711-716
pp.
Obeidat M., Hamadreh N. ve Alakasassbeh M., 2019.
Intensive Pre-Processing of KDD Cup 99 for
Network Intrusion Classification Using
Machine Learning Techniques. International
Journal of Interactive Mobile Tehnologies,
16(1), 71-84.
Jemili, F., 2009. Hybrid Intrusion Detection and
Prediction multiAgent System, HIDPAS,
(IJCSIS) International Journal of Computer
Science and Information Security, 5(1), 62-71.
Rabier, L.R., 1990. A tutorial on Hidden Markov
Models and Selected applications speech
recognition. Ready in Speech Recognition, 267296.
Kannan S., Ruban M. ve Arun, M., 2016. Intelligent
Intrusion Detection System using Genetic
Algorithm. Journal of Advances in Chemistry,
12(17), 5020-5025.
Rachburee, N. ve Punlumjeak, W., 2017. Big Data
Analytics: Feature Selection and Machine
Learning for Intrusion Detection on Microsoft
Azure Platform. Journal of Telecommunication
Electronic and Computer Engineering, 9(1-4),
1-5.
Law, K. ve Kwok, F., 2004. IDS False Alarm Filtering
using KNN Classifier. Springer Information
Security Applications Lecture Notes in
Computer Science, 114-121 pp.
Ramasubramanian, P. ve Kannan, A., 2014. MultiAgent based Quickprop Neural Network Shortterm Forecasting Framework for Database
Intrusion Prediction System. CiteSeerX.
Mahit, D., 2015. Using Artifical Neural Network
Classification and Invertion of Intrusion in
Classification and Intrusion Detection System.
International Journal of Innovative in Computer
and Communication Engineering, 3(2), 11021108.
Rizvi, S., Labrador, G. ve Guyan, M., 2016.
Advocating for Hybrid Intrusion Detection
Prevention
System
and
Framework
Improvement. Elsevier Procesia Computer
Science, 95, 369-374.
Malhotra, S., Bali, V. ve Paliwal, K., 2017. Genetic
Programming and K-nearest Neighbour
Classifier Based Intrusion Detection Model. 7th
International Conference on Cloud Computing,
42-46 pp.
Romasubramanian, P. ve Kannan, A., 2006. A GeneticAlgorithm Based Neural Network Short-Term
Farecasting Framework for Database İntrusion
Prediction System. Soft Computing, 10(8), 699714.
Moon, D., Im, H. ve Kim, I., 2017. Dtb:Ids: An
Intrusion Detection System based on Decision
Tree using Behavior Analysis for Preventing
Apt Attacks. The Journal of Supercomputing,
73(7), 2881-2895.
Sağıroğlu, Ş., Yolaçan, E.N ve Yavanoğlu, U., 2012.
Zeki Saldırı Tespit Sistemi Tasarımı ve
Gerçekleştirilmesi. Gazi Mühendislik-Mimarlık
Fakültesi Dergisi, 26(2), 325-340.
Mukherjee, D.S. ve Sharma, N., 2012. Intrusion
Detection using Naive Bayes Classifier with
Feature
Reduction.
Elsevier
Procedia
Technology, 4, 119-128.
Sharma P., Sengupta J. ve Suri P.K., 2018. Wli-Fcm
and Artificial Neural Network Based Cloud
Intrusion Detection System. International
Journall
Advanced
Networking
and
Applications, 10(1), 3698-3703.
Mukkamala, S. ve Janoski, G., 2002. Intrusion
Detection using Neural Networks and Support
Vector Machines, IJCNN’02 Proceedings of the
2002 International Joint Conference on, 17021707.
Senthilnayaki, B., Venkatalakshmi, K., Kannan, A.,
2019. Intrusion Detection System using Fuzzy
Rough Set Feature Selection and Modified
KNN Classifier, The International Arab Journal
of Information Technology, 16(4), 746-753.
Nadiammai, G.U. ve Hemalathen, M., 2012. An
evaluation of clustering technique over intrusion
detection system, ICACCI’12 Proceedings of
the International Conference on Advances in
Computing, Communications and Informatics,
1054-1060 pp.
Shams, E.A., Rizaer, A. ve Ulusoy, A.H., 2018. Trust
aware Supporrt Vector Machine Intrusion
Detection and Preventin System in Vehicular ad
hoc Networks. Elsevier Computers&Security,
78, 245-254.
440
Bakır vd. / GUFBED 10(2) (2020) 425-441
Tian, J., 2005. Intrusion Detection Combining Multiple
Decision Trees by Fuzzy Logic, Proceedings of
the sixth International Conference on Parallel
and Distributed Computing. Applications and
Technologies (PDCAT’05).
Shanmugavadivu, R. ve Nagarajan, N., 2014. Network
Intrusion Detection System using Fuzzy Logic.
Indian Journal of Computer Science and
Engineering (IJCSE), 2(1), 101-111.
Sharma, S., 2012. An Improved Network Intrusion
Detection Technique based on k-means
clustering via Naive Bayes Classification,
IEEE-International Conference on Advances In
Engineering,
Science
and Management
(ICAESM-2012), Nagapattinum, India, 417-422
pp.
Tong, X. ve Wang, Z., 2009. A Research Using Hybrid
RBF/Elman Neural Networks for Intrusion
Detection System Secure Model. Elsevier
Computer Physics Communications, 180, 17951801.
Shen, J. ve Wang, J., 2011. Network Intrusion
Detection by Artificial Immune System, IEEE
Power and Energy General Meeting, 1-8.
Ugochukwu, C. ve Bennett E.O., 2018. Intrusion
Detection System using Machine Learning
Algorithm. International Journal of Computer
Science and Mathematical Theory, 4(1), 39-47.
Soleiman, E. ve Fetarat, A., 2014. Using Learning
Vector Quantization (LVQ) in Intrsuion
Detection Systems. International Journal of
Innovative Research in Advanced Engineering
(IJIRAE), 1(10).
Yıldırım, M.Z., Çavuşoğlu, A., Şen, B. ve Budak, İ.,
2014. Yapay Sinir Ağları ile Ağ Üzerinde
Saldırı Tespiti ve Paralel Optimizasyonu, XVI,
Akademik Bilişim, Şubat 2014, Mersin,
Türkiye, s.671-677.
Tajbakhsh, A. ve Rahmati, M., 2009. Intrusion
Detection Using Fuzzy Assocation Rules.
Elsevier Applied Soft Computing, 9, 462-469.
441