BİLGİSAYAR SİSTEMLERİNE YÖNELİK TEHDİT VE SALDIRILARIN MAKİNE ÖĞRENMESİ TEKNİKLERİ KULLANILARAK AĞ ADLİ BİLİŞİMİ AÇISINDAN ANALİZİ

Abstract

Teknolojinin ileri düzeyde gelişmesiyle, internet kullanımı ve ağa bağlı cihaz sayısında her geçen gün artış görülmektedir. Bu artış ile birlikte şirketler için önemli kayıplara neden olan siber saldırılarda artmaktadır ve bu saldırılar farklı şekillerde karşımıza çıkmaktadır. Ağ bağlantısının kesilmesi ve ağın sağladığı hizmetlerin kaybı kurumlar için ciddi kayıplara sebep olabilir. Bu nedenle savunma stratejilerinin geliştirilmesi ve saldırılara karşı daha etkili tedbirlerin alınması önem arz etmektedir. Bu tez, bilişim sistemlerine yönelik gerçekleşen saldırıların makine öğrenmesi teknikleri kullanılarak ağ adli bilişimi açısından analizi konu almaktadır. İlk olarak sanal ortamda farklı saldırı senaryoları gerçekleştirilmiştir. Yapılan saldırılardaki ağ paketleri kayıt altına alınıp özellik çıkartılarak veri seti oluşturulmuştur. Bu veri seti ile Random Forest, Support Vector Machine (SVM), Naive Bayes, Lojistik Regresyon ve Decision Tree sınıflandırma algoritmaları kullanılarak sınıflandırma yapılmış ve performans metrikleri kullanılarak performans sonuçları karşılaştırılmıştır.

With the advanced development of technology, there is an increase in the use of the internet and the number of devices connected to the network. With this increase, cyber attacks that cause significant losses for companies are increasing and these attacks appear in different ways. Network disconnection and loss of services provided by the network can cause serious losses for institutions. For this reason, it is important to develop defense strategies and take more effective measures against attacks. This thesis focuses on the analysis of attacks on information systems in terms of network forensics using machine learning techniques. First, different attack scenarios were carried out in the virtual environment. The data set was created by recording the network packets in the attacks and extracting the features. With this data set, classification was made using Random Forest, Support Vector Machine (SVM), Naive Bayes, Logistic Regression and Decision Tree classification algorithms and performance results were compared using performance metrics.