Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.11851/7836
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Özyer, Tansel | - |
dc.contributor.author | Yiğidim, Hüseyin Ahmet | - |
dc.date.accessioned | 2021-12-02T17:20:11Z | - |
dc.date.available | 2021-12-02T17:20:11Z | - |
dc.date.issued | 2012 | - |
dc.identifier.citation | Yiğidim, Hüseyin Ahmet. (2012). Makine Öğrenme Algoritmalarını Kullanarak Ağ Trafiğinin Sınıflandırılması. (Yayınlanmamış Yüksek Lisans Tezi). TOBB Ekonomi ve Teknoloji Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | en_US |
dc.identifier.uri | https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=RYan9_S-Z7Eir3xdWGXBiOkl9BHR0BadZLS4Arl4kxmcPCNraLSnbFKw7KC7WROK | - |
dc.identifier.uri | https://hdl.handle.net/20.500.11851/7836 | - |
dc.description | YÖK Tez No: 316521 | en_US |
dc.description.abstract | İnternetin hayatımıza girmesi ile birlikte ağ kaynaklarının verimli bir şekilde kullanılabilmesi için ağ trafiğinin yönetilmesi ve ağ akışlarının kontrol edilmesi kaçınılmaz olmuştur. Geleneksel sorgu ve raporlama araçlarının günümüzde yetersiz kalması nedeniyle toplanan bu verileri nasıl kullanılacağı üzerine yapılan araştırmalar makine öğrenme ve veri madenciliğinin kavramlarının hayatımıza daha çok girmesini sağlamıştır.Ağ analizi için kullanılan geleneksel tabanlı yaklaşımlar (port-tabanlı, yük-tabanlı) internet kullanım davranışlarının ve teknolojilerinin değişmesiyle günümüzde yetersiz kalmaya başlamıştır. Bu nedenle; Makine öğrenme tabanlı ağ trafiği sınıflandırma yöntemi geliştirilmiştir.Tez çalışmasında, ağ trafiği veri setini kullanarak, akışlar üzerinden ağ akışlarına ait nitelik kümeleri çıkartılarak, sınıflandırma ve kümeleme analizinde sıkça kullanılan C4.5, Naive Bayes, EM ve K-means algoritmaları, karşılaştırma metrikleri kullanılarak test edilecektir. Ayrıca algoritmaların performanslarını yükseltmek için kullanılan Adaboost algoritmasının sınıflandırma algoritmaları üzerindeki etkisi incelenecektir. Oluşturulan nitelik kümesindeki kullanılmayan veya gereksiz niteliklerin çıkarılmasını sağlayan nitelik seçme algoritmaları kullanılarak, en uygun nitelik sınıfı aranacak ve algoritmaların performansları üzerindeki etkisi araştırılacaktır. | en_US |
dc.description.abstract | With beginning of extensive usage of internet on our daily lives, to control network flows and manage network traffic for efficient usage of network sources has become more and more important. Traditional query and reporting tools started to become insufficient, so, researches done to decide how these data will be used has made machine learning and data mining concepts to have much more value in our lives. Traditional approaches performed for network analysis (port-based, payload-based) has become insufficient with the changes on network usage behaviors and technology. Therefore, Machine Learning based network traffic classification technique has been developed.On this thesis study, by the usage of network traffic data set, attribute set for network flows will be calculated, and C4.5, Naive Bayes, EM and K-means algorithms which are used frequently on classification and clustering analysis will be tested using comparison metrics. Also, effects on classification algorithms of Adaboost, used for boosting algorithms performances will be tested. Most convenient attribute set will be determined by using attribute selection algorithms which helps to be removed unused and unnecessary attributes on generated attribute set. Effects of this attribute set on algorithms' performance will be researched. | en_US |
dc.language.iso | tr | en_US |
dc.publisher | TOBB Ekonomi ve Teknoloji Üniversitesi Fen Bilimleri Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.subject | Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol | en_US |
dc.subject | Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji | en_US |
dc.subject | Science and Technology | en_US |
dc.subject | Bilgisayar ağ protokolleri | en_US |
dc.subject | Computer network protocols ; Bilgisayar ağları | en_US |
dc.subject | Computer networks ; Veri akışı | en_US |
dc.subject | Data flow ; Veri analizi | en_US |
dc.subject | Data analysis ; Veri madenciliği | en_US |
dc.subject | Data mining | en_US |
dc.title | Makine Öğrenme Algoritmalarını Kullanarak Ağ Trafiğinin Sınıflandırılması | en_US |
dc.title.alternative | Network Traffic Classification Using Machine Learning Algorithms | en_US |
dc.type | Master Thesis | en_US |
dc.department | Institutes, Graduate School of Engineering and Science, Computer Engineering Graduate Programs | en_US |
dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı | tr_TR |
dc.identifier.startpage | 1 | en_US |
dc.identifier.endpage | 72 | en_US |
dc.institutionauthor | Yiğidim, Hüseyin Ahmet | - |
dc.relation.publicationcategory | Tez | en_US |
item.openairetype | Master Thesis | - |
item.languageiso639-1 | tr | - |
item.grantfulltext | open | - |
item.fulltext | With Fulltext | - |
item.openairecristype | http://purl.org/coar/resource_type/c_18cf | - |
item.cerifentitytype | Publications | - |
Appears in Collections: | Bilgisayar Mühendisliği Yüksek Lisans Tezleri / Computer Engineering Master Theses |
Files in This Item:
File | Size | Format | |
---|---|---|---|
316521.pdf | 2.3 MB | Adobe PDF | View/Open |
CORE Recommender
Page view(s)
222
checked on Dec 16, 2024
Download(s)
200
checked on Dec 16, 2024
Google ScholarTM
Check
Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.