Büyük dil modeli (Llm) kullanarak X (Twitter) verileri tabanlı yerel işlenebilir bir siber tehdit istihbaratı modeli tasarımı

Günümüzdeki siber tehdit istihbaratı (CTI) paylaşımları, çoğunlukla tek başına bir IP adresi veya dosya özeti gibi, tehdidin tam hikayesinden kopuk verilerle sınırlı kalmaktadır. Bu durum, savunma ekiplerinin hangi tehdide öncelik vereceğini belirlemesini zorlaştırmaktadır. X (Twitter) platformu, tehditler hakkında aslında çok daha zengin ve bağlamsal detaylar sunsa da; bu verinin devasa hacmi, gürültülü ve yapılandırılmamış doğası, geleneksel yöntemlerle işlenmesini engellemektedir. Bu tez çalışmasında, X (Twitter) verilerini kullanarak veri egemenliğini koruyan, yerel (onpremise) çalışabilen ve eyleme geçirilebilir sonuçlar üreten, uçtan uca otonom bir CTI modelinin tasarlanması amaçlanmıştır. Geliştirilen Python tabanlı otonom sistem; Selenium kütüphanesi ile veri toplama, Ollama platformu üzerinden yerel olarak çalıştırılan LLaMA 3 modeli ile analiz ve SQLite veritabanında depolama süreçlerini içeren bütüncül bir mimariye sahiptir. Çalışmanın en özgün mühendislik katkısı, Büyük Dil Modellerinin (LLM) deterministik olmayan doğasından kaynaklanan hatalı JSON çıktılarını otonom olarak düzelten "JSON Sağlamlaştırma Protokolü"nün geliştirilmesidir. Elde edilen bulgular, sistemin yapılandırılmamış 62 adet tweet metni üzerinden tehditleri %95'e varan doğruluk oranıyla analiz ettiğini ve tespit edilen içeriklerin %64,5'ini "Yüksek Risk" (High Risk) kategorisinde başarıyla sınıflandırdığını göstermiştir. Yapılan analizlerde "Vulnerability" (13 adet) ve "Threat_Actor" (13 adet) kategorileri en sık rastlanan tehdit türleri olarak öne çıkarken; sistem, CVE numaraları ve tehdit aktörü grupları gibi kritik istihbarat göstergelerini yüksek hassasiyetle ayrıştırmıştır. Bu çalışma, güvenlik açısından kritik verilerin üçüncü taraf sunuculara gönderilmesi riskini ortadan kaldıran, mühendislik açısından dayanıklı ve tam otonom bir CTI çözümünün operasyonel fizibilitesini kanıtlamaktadır.