KABLOSUZ AĞLAR ÜZERİNDEN GERÇEKLEŞTİRİLEN SİBER TEHDİTLERİN MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE AĞ ADLİ BİLİŞİM ANALİZİNİN GERÇEKLEŞTİRİLMESİ

Abstract

Teknolojinin gelişmesi ile beraber teknolojik cihazlara yapılan saldırılar da artış göstermiştir. Artan siber saldırılar ile beraber kullandığımız cihazlar her an tehdit altında olabilmektedir. Birbiri ile iletişim halinde bulunan bu cihazlardan herhangi birine tehdit unsurunun erişmesi, ağda ki tüm cihazları tehlikeye sokabilmektedir. Ağ ortamlarına bağlı olan cihazların sayısının fazlalığı göz önünde bulundurularak bu çalışma ele alınmıştır. Bu çalışmada olası bir siber saldırıda sistemlerde oluşabilecek ağ trafiği oluşturularak, elde edilen trafikleri, farklı sınıflandırma algoritmalarını kullanarak eğitmek amaçlanmıştır. Oluşturulan test ortamında farklı siber saldırılar gerçekleştirilmiş, siber saldırılar sırasında elde edilen ağ paketlerinin özellikleri çıkartılmış ve yaygın kullanılan sınıflandırma algoritmaları ile eğitim işlemleri gerçekleştirilmiştir. Yapılan işlemler sonucunda kullanılan sınıflandırma algoritmaları arasında en iyi başarı oranı sağlayan sınıflandırma algoritması belirlenmiştir.With the development of technology, attacks on technological devices have increased. With increasing cyber attacks, the devices we use can be under threat at any time. An attacker's access to any of these devices that are in communication with each other can endanger all devices in the network. Considering the high number of devices connected to network environments, this study has been handled. In this study, it is aimed to train the traffic obtained by using different classification algorithms by creating the network traffic that may occur in the systems in a possible cyber attack. Different cyber attacks were carried out in the created test environment, the characteristics of the network packets obtained during the cyber attacks were extracted and training operations were carried out with commonly used classification algorithms. As a result of the processes, the classification algorithm that provides the best success rate among the classification algorithms used was determined.