K-SALP sürü anomali tespiti ve bağlantı tahmini tabanlı anomali önleme

Anomali tespiti ve önleme, özellikle siber güvenlik gibi alanlarda, kötü niyetli faaliyetlere karşı erken tespit ve müdahalenin kritik önem taşıdığı görevlerdir. Geleneksel çalışmalar genellikle anomali tespitine odaklanmış olsa da, risklerin önceden belirlenip azaltılmasını sağlayan anomali önleme, giderek daha fazla önem kazanmaktadır. Bu tezde, gelişmiş kümeleme ve doğadan ilham alan algoritmalar kullanarak hem anomali tespiti hem de önlemesini entegre eden kapsamlı bir çerçeve sunulmaktadır. Önerilen yaklaşım, K-medoid kümeleme yöntemi ile Salp Sürüsü Algoritması'nın (SSA) optimal eşik belirleme işlemiyle birleştirilmesini içermektedir. Bu hibrit yöntem, veri setlerindeki aykırı değerleri ve şüpheli düğümleri etkili bir şekilde tespit etmeyi sağlamaktadır. Bu yöntem Enron e-posta veri seti gibi yaygın olarak kullanılan gerçek dünya veri setlerinde uygulanmış ve hem içerik tabanlı hem de düğüm tabanlı anomali tespitindeki performansı ortaya konmuştur. Deneysel sonuçlar önerilen yöntemin başarısını siber güvenlik alanında ortaya koymaktadır. 10 veri setinin 5'inde alternatif teknikleri geride bırakan yöntem ile Tiroid veri setinde 0.8651 AUC değeri elde edilmiştir. Ayrıca, çerçeve, verideki içerik ve yapısal özellikler arasındaki farklılıklarla belirlenen "şüpheli düğümler" kavramını tanıtmaktadır. Bu düğümler, dolandırıcılık davranışları veya kötü niyetli e-postalar gibi potansiyel zararlı eylemleri önlemek için daha fazla analiz yapılmak üzere işaretlenmektedir. Önerilen çerçeve, sadece anomali tespiti yöntemlerini geliştirmekle kalmayıp, anomali önleme konusunda da yenilikçi bir yaklaşım sunarak, risklerin gerçekleşmeden önce azaltılmasına yönelik proaktif bir çözüm sağlamaktadır.