AKILLI YÖNTEMLER İLE SİBER SALDIRI TESPİT SİSTEMİ GELİŞTİRİLMESİ

Abstract

Siber saldırılar dünyanın en büyük sorunlarından biri haline geldiği için ülkelere ve insanlara ciddi maddi zararlar vermektedir. Siber saldırıların artması, siber suçları da beraberinde getirdiğinden suç ve suçlularla mücadelede temel faktörler, siber suç faillerinin belirlenmesi ve saldırı yöntemlerinin anlaşılmasıdır. Siber saldırıları tespit etmek ve bunlardan kaçınmak zor bir görevdir. Ancak araştırmacılar son zamanlarda siber güvenlik modelleri geliştirerek ve yapay zekâ yöntemleriyle tahminler yaparak bu sorunları çözmektedir. Literatürde çok sayıda suç tahmin yöntemi mevcuttur, fakat siber suç ve siber saldırı yöntemlerini tahmin etme daha az çalışılmıştır. Bu sorun, gerçek verileri kullanarak bir saldırıyı ve bu tür saldırının failini belirlemek için ele alınmıştır. Kolluk birimlerinden elde edilen veriler suçun türü, mağdurun bilgileri, zarar ve saldırı yöntemleri gibi özniteliklerden bazılarını içermektedir. Bu tezde siber suçları makine öğrenmesi ve derin öğrenme yöntemleriyle üç farklı modelde analiz edilmiş ve tanımlanan özelliklerin siber saldırı amacı, yöntemi ve failin tespiti üzerindeki etkisini ortaya koyulmuştur. Tezde makine öğrenmesi, derin öğrenme ve yapay sinir ağları yöntemleri kullanılmıştır ve doğruluk, kesinlik, duyarlılık ve F1-skor açısından değerlendirilmiştir. Saldırı amacı tahmin modelinde Destek Vektör Makinası, Karar Ağaçları ve Rastgele Orman algoritmaları %77.35 doğruluk oranıyla en iyi performansı sergilemiştir. Saldırı faili tahmin modelinde %69.61 doğruluk oranıyla En Yakın Komşu algoritması en iyi performansı göstermiştir. Saldırı yöntemini tahmin eden modelde ise %96.69 doğruluk oranıyla Lojistik Regresyon algoritması en iyisi olmuştur. Sonuçlar, mağdurun eğitim ve gelir düzeyi arttıkça siber saldırı olasılığının azaldığını ortaya koymuştur. Ayrıca siber saldırıların tespit edilmesini kolaylaştıracak ve bu saldırılarla mücadeleyi daha kolay ve etkili hale getirecektir.As cyber-attacks have become one of the biggest problems in the world, they cause serious financial damage to countries and people. Since the increase in cyber-attacks brings along cyber-crimes, the key factors in the fight against crime and criminals are the identification of cybercriminal perpetrators and understanding the attack methods. Detecting and avoiding cyber-attacks are hard tasks. However, researchers have recently been solving these problems by developing cyber security models and making predictions with artificial intelligence methods. There are many crime prediction methods in the literature but predicting cyber-crime and cyber-attack methods has been less studied. It addresses this issue to determine an attack and the perpetrator of this type of attack using real data. The data got from law enforcement units include the type of the crime, the information of the victim, the harm and attack methods. In thesis, it analyzed cyber-crime in three different models with machine learning methods and revealed the effects of the defined features on the purpose, method, and detection of the perpetrator. Machine learning, deep learning and artificial neural networks methods used in our approach and evaluated in terms of accuracy, precision, recall and F1-score. In the attack aim prediction model, the Support Vector Machine, Decision Trees and Random Forest algorithms performed the best with 77.35% accuracy. The Nearest Neighbor algorithm showed the best performance with an accuracy rate of 69.61% in the offender prediction model. In the model that predicted the attack method, the Logistic Regression algorithm was the best with an accuracy rate of 96.69%. Results show that as the education and income level of the victim increases, the probability of cyberattack decreases. It will also make it easier to detect cyberattacks and make the fight against these attacks easier and more effective.