Kurumsal ağlarda iç ağdan gelen atak ve tehditlerin makine öğrenimi yöntemleri ile sınıflandırılması ve anomali tespiti

Kurumsal ağlar, hem dış hem iç kaynaklı siber tehditlere karşı oldukça kırılgan bir yapı sergilemektedir. Günümüzde dijitalleşmenin hızla artmasıyla birlikte, kurumlar daha fazla ağ bağlantısına ve cihaz kullanımına sahip olmakta, bu da beraberinde yeni güvenlik risklerini getirmektedir. Kurum ağlarında genellikle dış kaynaklı siber saldırılar ve tehditler ana odak noktası olsa da, iç ağdan gelebilecek saldırılar sıklıkla göz ardı edilebilmektedir. Ancak, iç ağda oluşabilecek bir güvenlik ihlali, dışarıdan gelen bir saldırı kadar ciddi sonuçlar doğurarak maddi kayıplara ve itibar zedelenmesine yol açabilmektedir. Bu çalışmada, yeni nesil güvenlik duvarı sistemlerinden elde edilen gerçek zamanlı tehdit logları kullanılarak ağ üzerindeki anormal aktivitelerin makine öğrenmesi yöntemleriyle tespit edilmesi ve sınıflandırılması amaçlanmıştır. İlk aşamada, yalnızca güvenlik duvarı logları kullanılarak analiz yapılmış, ikinci aşamada ise CICIDS2018 veri setinden alınan davranışsal özellikler eklenerek sistemin performansı yeniden değerlendirilmiştir. Çalışmada GRU, LSTM, XGBoost ve MLP algoritmaları kullanılmış, modellerin başarımı F1 skoru temel alınarak ölçülmüştür. Sonuçlara göre, XGBoost modeli her iki aşamada da en yüksek performansı göstermiş, davranışsal verilerin eklenmesiyle F1 skoru 0,9839'dan 0,9909'a yükselmiştir. Bu artış, davranışsal analiz yöntemlerinin tehdit tespiti performansını iyileştirdiğini ortaya koymuştur. LSTM ve GRU modelleri, özellikle davranışsal özelliklerin eklendiği veri setinde, zaman serisi bağımlılıklarını yakalama yetenekleri sayesinde istikrarlı sonuçlar üretmiştir. Elde edilen bulgular, makine öğrenmesi tabanlı yaklaşımların yeni nesil güvenlik duvarı loglarında tehditlerin doğru ve etkin bir biçimde sınıflandırılmasında güçlü ve uygulanabilir bir yöntem sunduğunu göstermektedir. Anahtar Sözcükler: Anomali Tespiti, Davranışsal Analiz, Güvenlik Duvarı, Tehdit Sınıflandırma, XGBoost