MAÜ GCRIS Standart veritabanının içerik oluşturulması ve kurulumu Research Ecosystems (https://www.researchecosystems.com) tarafından devam etmektedir. Bu süreçte gördüğünüz verilerde eksikler olabilir.
 

Ahmetoğlu, Hüseyin

Profile Picture
Name Variants
Ahmetoglu, H.
Ahmetoglu, Huseyin
Job Title
Öğr. Gör.
Email Address
Main Affiliation
BİLGİSAYAR TEKNOLOJİLERİ
Status
Former Staff
Website
ORCID ID
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID

Sustainable Development Goals Report Points

SDG data could not be loaded because of an error. Please refresh the page or try again later.
Scholarly Output

7

Articles

3

Citation Count

0

Supervised Theses

0

Scholarly Output Search Results

Now showing 1 - 6 of 6
  • Thumbnail Image
    Conference Object
    Citation - Scopus: 3
    Derin Öğrenme ile Büyük Veri Kümelemlerinden Saldırı Türlerinin Sınıflandırılması
    (Institute of Electrical and Electronics Engineers Inc., 2019) Ahmetoğlu, Hüseyin; Das, R.
    One of the solutions proposed to ensure information security is intrusion detection systems. Improving the performance of these systems has been among the most important objectives of information technologies. In this study, a detailed analysis of the explicitly presented CICIDS2017 data set was performed. The data set was rearranged by collecting different types of attacks under the same heading for binary classification. For multiple classifications, all files it contains are combined. Using the new version of the data set, a sample model has been developed with the Full Linked Artificial Neural Network, which is one of the machine learning techniques. This model is encoded with TensorFlow-Keras libraries and classified using network traffic properties. The success of the dual classification results and the multiple classification successes were compared. Multiple classification can include the type of attack. On the other hand, in case of dual classification, the attack is present and no attack status is examined. The success rate of binary classification is expected to reduce false alarm conditions in intrusion detection systems. © 2019 IEEE.
  • Thumbnail Image
    Article
    Citation - WoS: 42
    Citation - Scopus: 75
    A comprehensive review on detection of cyber-attacks: Data sets, methods, challenges, and future research directions
    (ScienceDirect, 2022) Ahmetoğlu, Hüseyin; Das, Resul
    Rapid developments in network technologies and the amount and scope of data transferred on networks are increasing day by day. Depending on this situation, the density and complexity of cyber threats and attacks are also expanding. The ever-increasing network density makes it difficult for cyber-security professionals to monitor every movement on the network. More frequent and complex cyber-attacks make the detection and identification of anomalies in network events more complex. Machine learning offers various tools and techniques for automating the detection of cyber attacks and for rapid prediction and analysis of attack types. This study discusses the approaches to machine learning methods used to detect attacks. We examined the detection, classification, clustering, and analysis of anomalies in network traffic. We gave the cyber-security focus, machine learning methods, and data sets used in each study we examined. We investigated which feature selection or dimension reduction method was applied to the data sets used in the studies. We presented in detail the types of classification carried out in these studies, which methods were compared with other methods, the performance metrics used, and the results obtained in tables. We examined the data sets of network attacks presented as open access. We suggested a basic taxonomy for cyber attacks. Finally, we discussed the difficulties encountered in machine learning applications used in network attacks and their solutions.
  • Thumbnail Image
    Conference Object
    Citation - WoS: 2
    Citation - Scopus: 4
    Analysis of Feature Selection Approaches in Large Scale Cyber Intelligence Data with Deep Learning
    (IEEE, 2020) Ahmetoğlu, Hüseyin; Daş, Resul
    Ağ sistemlerinin her geçen gün katlanarak büyüyen boyutu, saldırı yoğunluğunun ve türlerinin de artmasına neden olmaktadır. Ağ içerisinde bu saldırıların tespiti, ağ güvenliğinin başlıca problemlerindendir. Saldırı tespit sistemleri, bu problemle başa çıkmak için geliştirilen bir yaklaşımdır. Saldırı tespit sistemlerinde işlenen büyük boyutlu veriler beraberinde karmaşıklığ da getirmektedir. Bu çalışma, veri kümelerindeki karmaşıklığı gidermek için 6 farklı öznitelik seçme algoritmasının incelenmesini ve bu algoritmaların sınıflandırma modellerindeki performanslarının karşılaştırılmasını içermektedir. Bu performanslar, açık erişimli olarak sunulan CICIDS2017 veri seti üzerinde uygulanan Derin Öğrenme modelleri ile analiz edilmiştir. Bu işlem sırasında algoritmaların test sonuçları hem kendi aralarında hem de veri setinin orijinal haliyle karşılaştırılmıştır. Uygulama sırasında veri kümesindeki öznitelik sayıları çoklu sınıflandırma için 78’den 25’e, ikili sınıflandırma için 8’e düşürülmüştür. Elde edilen başarı oranları bütün uygulamalarda %92’nin üzerindedir.
  • Thumbnail Image
    Conference Object
    Citation - WoS: 0
    With Deep Learning From Knowledges \ Sweat People Classification of Attack Ties
    (Ieee, 2019) Ahmetoğlu, Hüseyin; Das, Resul
    One of the solutions proposed to ensure information security is intrusion detection systems. Improving the performance of these systems has been among the most important objectives of information technologies. In this study, a detailed analysis of the explicitly presented CICIDS2017 data set was performed. The data set was rearranged by collecting different types of attacks under the same heading for binary classification. For multiple classifications, all files it contains are combined. Using the new version of the data set, a sample model has been developed with the Full Linked Artificial Neural Network, which is one of the machine learning techniques. This model is encoded with TensorFlow-Keras libraries and classified using network traffic properties. The success of the dual classification results and the multiple classification successes were compared. Multiple classification can include the type of attack. On the other hand, in case of dual classification, the attack is present and no attack status is examined. The success rate of binary classification is expected to reduce false alarm conditions in intrusion detection systems.
  • Thumbnail Image
    Article
    Türkçe Otel Yorumlarıyla Eğitilen Kelime Vektörü Modellerinin Duygu Analizi ile İncelenmesi
    (Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 2020) Ahmetoğlu, Hüseyin; Daş, Resul
    Doğal dil işlemenin(Natural Language Processing-NLP) ve metin sınıflandırmanın önemli araştırma alanlarından biri de duygu analizidir. Bu alanda çalışmalar hızla büyümektedir. Bu teknik dijital yaşamın her çeşit uygulama alanında kendini göstermektedir. Duygu analizi için geliştirilen birçok teknik vardır ancak son zamanlarda doğal dil işlemenin kelime vektör modeli metotları duygu analizinde yaygın olarak kullanılmaya başlamıştır. Word2Vec kelimeleri anlamlı vektörlere dönüştürebilen en kullanışlı kelime vektör modeli yöntemleri arasındadır. Bu yöntem ile kelime vektörleri oluşturabilmek için büyük kelime havuzlarına ihtiyaç vardır. Önceden eğitilmiş modeller duygu analizinde daha doğru sonuçlara ulaşabilmeyi mümkün kılarlar. Bu çalışmada duygu analizinde incelenmek üzere, onaylanmış kullanıcıların Türkçe otel yorumları veri kazıma yöntemleri ile toplanmıştır. Elde edilen bu özgün veriler Word2Vec ile eğitilerek kelime vektörleri oluşturulmuştur. Bu vektörler ile tekrarlanan yapay sinir ağının (Recurrent Neural Networks-RNN) bir çeşidi olan geçitli tekrarlayan birimler (Gated Recurrent Unit-GRU) ile bir sınıflandırma modeli geliştirilmiştir. Daha geniş kelime torbalarıyla eğitilmiş kelime vektörleri ile rastgele değerler atanarak oluşturulan vektörler, aynı derin öğrenme yöntemiyle yeniden incelenmiş ve elde edilen sınıflandırma başarıları karşılaştırılmıştır. Elde edilen sonuçlara göre özel alandan bağımsız, daha geniş kapsamlı kelime torbalarının sınıflandırma başarısını arttırdığı gözlemlenmiştir.
  • Thumbnail Image
    Article
    Makine Öğrenmesi Yöntemleri Kullanarak Web Uygulama Saldırılarının Tespitinde Genetik Öznitelik Seçimi Yaklaşımı
    (2021) Ahmetoğlu, Hüseyin; Daş, Resul
    İnternet üzerindeki uygulamalar kodlama kaynaklı bir takım güvenlik endişelerini barındırırlar. Zayıflıklar veya güvenlik açıkları, suçluların hassas verileri çalmak için veri tabanlarına doğrudan ve genel erişim elde etmesine olanak tanır. Bu çalışmada, web uygulama saldırılarının hibrit saldırı tespit sistemleri ile daha kolay ve daha doğru tespiti için sezgisel öznitelik seçimi ve makine öğrenmesine dayanan bir yaklaşım önerilmektedir. CIC-IDS2017 ve CSE-CIC-IDS2018 veri setlerindeki web uygulama saldırıları ve normal akış örnekleri bir dizi veri ön işleme aşaması sonrası birleştirilerek ve yeni bir veri seti oluşturuldu. Genetik Algoritma ve Lojistik Regresyon kullanılarak ortalama karesel hata ve öznitelik sayısı optimizasyonu gerçekleştirilip sonuçlar beş farklı makine öğrenmesi algoritması ile test edildi. Elde edilen sonuçlar incelendiğinde, öznitelik sayısının %85 oranında azaltılmasına rağmen sınıflandırmadaki başarım oranlarının %99 seviyesinde kaldığı gözlemlenmiştir.