Öznitelik tabanlı oltalama tespit sistemlerinin makine öğrenmesi yöntemleri ile değerlendirmesi

Oltalama saldırıları, sosyal mühendislik taktiklerini kullanan ve genellikle yasal web sitelerini taklit eden sahte web siteleri oluşturarak kullanıcıları kandırmaya dayanan saldırılardır. Bu tür saldırılar, kullanıcıları yanıltmak ve hassas bilgilerini çalmak için sahte siteleri yasal siteler gibi gösterir. Özellikle finansal verilerin çalınması gibi durumlarda kullanılan oltalama saldırıları, kullanıcılar için büyük bir tehlike oluşturmaktadır. Oltalama saldırıların neden olduğu zararlar giderek artmaktadır. Ulusal Siber Olaylara Müdahale Merkezi tarafından tespit edilen sahte web siteleri, oltalama saldırılarının Türkiye'de ciddi bir siber güvenlik sorunlarından biri olduğunu göstermektedir. Oltalama saldırılarına karşı etkili bir mücadele yürütmek için, bu tür siteleri tespit etmeden önce onların belirgin ve ortak özelliklerini tanımlamak gerekmektedir. Bu çalışma, sahte bir web sitesinin oltalama sitesi olup olmadığını tespit etmek için URL içeriğine sahip öznitelik bilgilerine, karakter benzerliği, kosinüs benzerliği, levenshtein mesafe benzerliği ile orijinal domain öznitelik bilgilerine yoğunlaşmış ve literatürde kabul görmüş yüksek doğruluk oranlarına ulaşan bir sınıflandırıcı modelin önerisini sunmaktadır. Bu çalışmada, önerilen model kapsamında oluşan veri kümesinde 32 adet farklı öznitelik bilgisi kullanılmıştır. Önerilen modelde oltalama saldırılarını tespit etmek amacıyla hazırlanan veri kümesinden üç farklı veri seti oluşturularak, bu veri setleri üzerinde çeşitli öznitelik seçme yöntemleri ve sınıflandırma algoritmalarının performansı değerlendirilmiştir. Makine öğrenme yöntemlerinden Karar Ağacı, Rastgele Orman, Lojistik Regresyon, Destek Vektör Makinesi ve Yapay Sinir Ağları yöntemleri bu çalışmada kullanılmıştır. Veri setleri üzerinde yapılan testler sonucunda Lojistik Regresyon yönteminde %96,40 oranında doğruluk parametresi açısından başarı elde edilmiştir.