Creatıng A Data Set For Anomaly Detectıon In Network Traffıc And Comparıson Of Test Methods

Verilerin sayısal ortamlarda saklanmasıyla beraber siber saldırıların sayısı ve çeşitliliği çoğalmış, sayısal ortamlara yönelik saldırılar çok hızlı bir şekilde artmıştır. Saldırganlar tarafından bir silah olarak kullanılan zararlı yazılımlara karşı antivirüs, güvenlik duvarları, saldırı tespit/önleme sistemleri gibi çözümler geliştirilmiştir. İmza tabanlı çözümler, önceden bilinen zararlı yazılımları tespit edebilmesinden dolayı, yeni ortaya çıkan zararlı yazılımlara karşı etkisiz kalmaktadırlar. Bu nedenle zararlı yazılım tespitinde davranışsal analiz yöntemleri önemli hale gelmiştir. Bu tezde, sistemden veri sızıntısı yapan zararlı/casus yazılımlara ait İnternet trafiğinin tespit edilmesi amacıyla makine öğrenmesi yöntemleri kullanılarak bir uygulama geliştirilmiştir. Tez kapsamında, uygulama katmanı üzerinde zararlı ve normal İnternet trafiklerine ait veri toplanmış ve 100 tane öznitelik oluşturulmuştur. Bir kurumsal ağda gerçek zamanlı olarak 16221 tane akış verisi toplanarak; yapay sinir ağları, derin öğrenme, karar ağacı vb. çeşitli makine öğrenmesi algoritmaları uygulanmıştır. Farklı yöntemlerle başarı durumları kapsamlı bir şekilde incelenerek karşılaştırma yapılmıştırAs the data were stored in digital environments, the number and diversity of cyber attacks increased and the attacks on digital environments increased very rapidly. Antiviruses, firewalls, intrusion detection / prevention systems have been developed against the malware used as a weapon by the attackers. Signature-based solutions can detect previously known malware and are ineffective against new emerging malware. Therefore, behavioral analyses methods have become important in malware detection. In this thesis, an application has been developed by using machine learning methods in order to determine internet traffic of malware / spyware that leaked data from the system. Within the scope of the thesis, data on harmful and normal Internet traffic were collected on the application layer and 100 attributes were created. In a corporate network, 16221 stream data was collected in real time and artificial neural networks, deep learning, decision tree, etc. various machine learning algorithms have been applied. The success cases were analyzed by different methods comprehensively and compare