Büyük dil modelleri kullanarak SQL enjeksiyon saldırılarının tespiti ve önlenmesi

Bu tez, SQL Enjeksiyon Saldırılarının tespiti ve önlenmesini, Büyük Dil Modellerinin (LLM'ler) modern web güvenlik çerçevelerine entegrasyonu yoluyla incelemektedir. SQL enjeksiyon saldırıları, kuruluşlar için kritik tehditlerden biri olmaya devam etmektedir. Bu çalışma, Boolean tabanlı, Union tabanlı ve Hata tabanlı olmak üzere çeşitli SQL enjeksiyon saldırılarını sınıflandırmakta ve analiz etmektedir. Ayrıca parametreleştirilmiş sorgular, girdi doğrulama ve web uygulama güvenlik duvarları gibi önleme yöntemlerine genel bir bakış sunmaktadır. Tezin merkezinde, SQL enjeksiyon saldırılarının tespiti ve önlenmesini geliştirmek amacıyla Büyük Dil Modellerindeki (LLM'ler) ilerlemelerden yararlanılması yer almaktadır. Özellikle, ücretsiz olarak sunulan beş üst düzey LLM, çeşitli SQL enjeksiyon tekniklerini tanımadaki etkinlikleri açısından değerlendirilmiştir. Geniş veri kümeleri üzerinde eğitilmiş LLM'ler, kalıpları analiz edebilir, güvenlik açıklarını öngörebilir ve gerçek zamanlı tehdit azaltma önerileri sağlayabilir. Modelleri test etmek ve değerlendirmek için, kötü amaçlı ve meşru SQL sorguları içeren özel olarak etiketlenmiş bir veri seti kullanılmıştır. Her model, doğruluk (accuracy), kesinlik (precision), geri çağırma (recall) ve F1-skoru gibi değerlendirme ölçütleriyle test edilmiştir. Test edilen modeller arasında, mistralai/mixtral-8x7b-instruct en yüksek tespit performansını tutarlı biçimde göstermiş ve SQL enjeksiyon kategorileri genelinde kesinlik ve geri çağırma arasında dengeli bir sonuç sunmuştur. Bu durum, modelin web tabanlı uygulamalarda akıllı ve otomatik güvenlik denetimi sağlama açısından yararlı olabileceğini göstermektedir. Bulgular, Mixtral-8x7B Instruct modelinin ortalama %87.52 F1 skoru ve %86.67 doğruluk ile en iyi sonuçları elde ettiğini ortaya koymaktadır. İkinci sırada, geniş tespit kapsamına ve yüksek geri çağırma performansına sahip LLaMA-3-70B yer almaktadır. DeepSeek ve CodeLLaMA bazı saldırı türlerinde iyi performans gösterse de genel olarak tutarlı değildi. Öte yandan, düşük hesaplama verimliliğine rağmen en iyi ortalama tespit ölçümlerinden bazıları Qwen2.5-Coder-7B tarafından elde edilmiştir. Bu bulgular, gelişmiş LLM'lerin SQL enjeksiyonunun tespitini ve tamamlayıcı güvenlik mekanizmalarını geliştirme konusunda umut verici bir potansiyele sahip olduğunu göstermektedir. Anahtar Kelimeler: Büyük Dil Modelleri, Boolean SQL Enjeksiyonu, Hata Tabanlı SQL Enjeksiyonu, Mixtral-8x7B-Instruct, Siber Güvenlik, Union SQL Enjeksiyonu, Web Güvenliği