Bu çalışmada, şifreli ağ trafiğinin sınıflandırılmasına yönelik olarak makine öğrenmesi ve topluluk öğrenmesi yöntemleri geliştirilmiştir. Çalışmada, ISCXVPN2016 veri seti kullanılarak Light Gradient Boosting Machine (LGBM), k-Nearest Neighbours (KNN), Support Vector Machines (SVM) ve Logistic Regression (LR) algoritmalarının performansları karşılaştırılmıştır. Veriler özellik seçimi, Synthetic Minority Over-Sampling Technique (SMOTE) ile sınıf dengesizliklerinin giderilmesi ve hiperparametre optimizasyonu gibi süreçlerden geçirilerek analiz edilmiştir. LGBM algoritması, yüksek doğruluk ve hızlı performansıyla öne çıkmış, şifreli trafiğin doğru ve hızlı sınıflandırılması için etkin bir model sunulmuştur. Çalışma, siber güvenlik tehditlerini tespit etmek ve önlemek için etkili çözümler geliştirilmesine katkıda bulunmaktadır.
In this study, machine learning and ensemble learning methods have been developed for the classification of encrypted network traffic. Using the ISCXVPN2016 dataset, the performances of Light Gradient Boosting Machine (LGBM), k-Nearest Neighbors (KNN), Support Vector Machines (SVM), and Logistic Regression (LR) algorithms were compared. The data underwent various processes, such as feature selection, addressing class imbalances via Synthetic Minority Over-Sampling Technique (SMOTE), and hyperparameter optimization. The LGBM algorithm stood out due to its high accuracy and fast performance, providing an effective model for accurate and rapid classification of encrypted traffic. This work contributes to the development of effective solutions to detect and prevent cybersecurity threats.
