Bilgisayar Ağlarında Anormal Durum Tespiti Yapan Öğrenme Yöntemlerinin Geliştirilmesi

Abstract

Makine öğrenmesi, verilerdeki bilginin bir bilgisayar ya da makina tarafından otomatik olarak öğrenilmesi ve karşılaşılan yeni durumlarda anlamlı bilgi ya da davranışların üretilmesini amaçlar. Bir çok uygulama alanı bulunan makine öğrenmesi daha önce hiç karşılaşılmamış olan sıradışı durumların tespit edilmesi için de kullanılmaktadır. Bilgisayar ağlarındaki siber saldırılar, kredi kartı dolandırıcılığı ve internet sitelerinin linklerine yapılan çok sayıda sahte tıklamalar dünya genelinde ekonomileri ciddi oranda zarara uğratabilecek niteliktedir. Bu tezde üç farklı anormal durum tespiti problemi üzerinde çalışılmıştır: bilgisayar ağlarında saldırı tespiti, kredi kartı dolandırıcılığı tespiti ve internet sitelerdeki linklere sahte tıklama tespiti. Anormal durum tespiti için geliştirilen ve optimize edilen modeller arasında rastgele orman, en yakın komşu, destek vektör makinası, logistic regresyon, karar ağacı, AdaBoost, çantalama ve yığınlama gibi sınıflandırma yöntemleri bulunmaktadır. Yöntemlerin hiper-parametreleri eğitim kümelerinde yapılan çapraz doğrulama deneyleri ile optimize edilmiştir. Bir sonraki aşamada optimum hiper-parametre konfigürasyonları kullanılarak eğitilen modeler ile test verilerinde tahmin sonuçları hesaplanmıştır. Bu deneyler neticesinde genel doğruluk oranı ve F-measure skorlarında yüksek başarı elde edilmiştir. Geliştirilen yöntemler arasında en başarılı sonuçlar topluluk modelleri ile elde edilmiştir.Machine learning refers to training of a computer (machine) to be able to acquire knowledge from data (i.e. experience) and improve itself on a given task. The field of machine learning has become a mainstream, improving hundreds of millions of lives. Fraudulent actions in computer networks, credit card transactions and website advertisement traffic might devastate large businesses and cause anually fiscal loss of billions of dollars around the globe. In this thesis, we propose various machine learning methods for three fraud detection problems: network anomaly detection, credit card fraud detection and detection of fraudulent clicks to advertisements on the internet. We design various classifiers such as logistic regression, k-nearest neighbors, decision tree, support vector machine, and ensemble classifiers such as random forest, bagging, stacking and AdaBoost. The hyper-parameters of the classifiers are optimized by performing cross-validation experiments on train sets. In the next step, the models are trained using the optimum hyper-parameter configurations and predictions are computed on test sets. Among the various methods compared the highest accuracy is obtained by ensemble learners.