11
Archived Theses
0
DOIs Assigned
0%
DOI Rate
Discipline
Makine öğrenmesi ve derin öğrenme teknikleri kullanılarak beyin tümörünün tespiti için hibrit bir model geliştirilmesi
Manyetik Rezonans Görüntüleme (MRG) taramalarından beyin tümörü tespiti, tıbbi görüntülemede kritik bir araştırma alanı olup hasta sonuçları, tedavi planlaması ve erken tanı süreçlerini doğrudan etkilemektedir. Bununla birlikte, radyologlar tarafından büyük ve karmaşık MRG verilerinin manuel olarak değerlendirilmesi zaman alıcı, öznel ve hata olasılığı yüksek bir süreçtir. Bu sorunları gidermek amacıyla, bu tez çalışması beyin tümörü tespiti için; transfer öğrenme temelli önceden eğitilmiş Evrişimsel Sinir Ağı (CNN) modelleri, Evrişimsel Blok Dikkat Modülü (CBAM) ve Destek Vektör Makinesi (SVM) sınıflandırıcısını bir araya getiren hibrit bir derin öğrenme çerçevesi önermektedir. ResNet50, InceptionV3, InceptionResNetV2, DenseNet121 ve VGG16 olmak üzere beş CNN mimarisi, 2 boyutlu beyin MRG kesitlerinden temel örüntüleri çıkarmak amacıyla özellik çıkarıcı olarak kullanılmaktadır. Özelliklerin ayrıştırıcılığını artırmak için modele entegre edilen CBAM, hem uzamsal hem kanal düzeyinde dikkat mekanizmaları uygulayarak modelin beyin tümörü taramalarındaki en bilgilendirici bölgeleri vurgulamasını sağlamaktadır. Elde edilen iyileştirilmiş özellikler SVM sınıflandırıcısına aktarılmakta ve bu sınıflandırıcı beyin tümör tespiti için sağlam bir sınıflandırma performansı sunmaktadır. Önerilen yöntem, sağlıklı ve tümörlü verileri ayırt etmek üzere bir veri kümesi üzerinde geliştirilmiştir. Geliştirilen model alternatif iki farklı veri kümesine uygulanarak modelin genellebilirlik performansı değerlendirilmiştir. Bununla birlikte model doğrulama aşamasında üç ayrı veri bölme stratejisi kullanılmıştır. Deneysel sonuçlar, beyin tümörü tespitinde hibrit yaklaşımın geleneksel yöntemlere kıyasla yüksek performans sergilediğini ortaya koymaktadır. Özellikle InceptionResNetV2 ve DenseNet121 mimarilerinin CBAM ve SVM ile bütünleştirilmesi, veri setinde %99,77 doğruluk ve %100 F1-skoru ile en yüksek başarıyı sağlamıştır. Bu bulgular, dikkat mekanizmalarının klinik iş akışlarına entegrasyon potansiyelini doğrulamakta ve otomatik beyin tümörü sınıflandırması için etkili, ölçeklenebilir bir çözüm sunmaktadır. Anahtar Kelimeler: Beyin Tümörü, Derin Öğrenme, Destek Vektör Makinesi, Dikkat Mekanizması, Evrişimsel Blok Dikkat Modülü, Hibrit Model, Transfer Öğrenme
Detecting and preventing SQL injection attacks using large language models
This thesis explores the detection and prevention of SQL Injection Attacks through the integration of Large Language Models (LLMs) into modern web security frameworks. SQL injection attacks keep being one of the critical threats for organizations. This thesis categorizes and analyses a number of SQL injection attacks including Boolean-based, union-based, and error-based. It provides a general overview of the prevention methods using parameterized queries, input validation, and web application firewalls. A central focus of this thesis is on leveraging advancements in large language models (LLMs), to enhance SQL injection attacks detection and prevention. Specifically, five cutting-edge free training LLMs are evaluated for their effectiveness in identifying various SQL injection techniques. LLMs, trained on wide datasets, can analyse patterns, predict vulnerabilities, and provide real-time threat mitigation recommendations. To test and evaluate these models, we use a custom-labeled dataset, which contains malicious and legitimate SQL queries. Each model was tested using evaluation metrics included accuracy, precision, recall and F1-score. Among the tested models, mixtral-8x7b-instruct consistently achieved the highest detection performance, offering a balanced trade-off between precision and recall across SQL injection categories. This makes it clear that the model can be useful in providing intelligent and automated security auditing at web-based applications. Findings indicate that Mixtral-8x7B Instruct achieved the best results an average of F1-score of 87.52% and an accuracy of 86.67%. The second one was LLaMA-3-70B that was well-recalling and had a wide detection scale. DeepSeek and CodeLLaMA both performed well in some form of attacks, but not overall. On the other hand, the best average detection measures were achieved with Qwen2.5-Coder-7B although it has low computational efficiency. These findings indicate that advanced LLMs are potentially promising to enhance the detection of SQL injection and complementary security. Keywords: Boolean SQL Injection, Cybersecurity, Error SQL injection, Large Language Models, Mixtral-8x7B-Instruct, Union SQL injection, Web Security
Performance evaluation of llm based chatbots with E2e method:LLama-8b,LLama-7b,Gemma-7b and mistral-7b
This study investigates the performance of large language models (LLMs) within the context of customer support chatbots by employing an end-to-end (E2E) evaluation framework. Specifically, it compares three prominent open-source models (Gemma-7B, Mistral-7B, Llama-7B and Llama-8B) based on their ability to comprehend and respond to user queries in a meaningful and accurate manner. The chatbot application under review was designed to provide assistance on an educational content platform and was tested using over 3000 curated question-answer pairs. The evaluation combines both semantic and lexical metrics, using cosine similarity to measure the alignment of model responses with expert-written answers, and ROUGE metrics to assess word-level accuracy. Additionally, the study incorporates prompt engineering techniques and analyses how models handle random or off-topic inputs, providing a comprehensive view of their reliability and contextual sensitivity. Results indicate that Gemma-7B and Llama-8B performs most consistently across all metrics, while Mistral-7B offers balanced outputs with occasional variance. Llama-7B, although structurally robust, struggled to deliver semantically aligned and contextually appropriate responses. Overall, the findings highlight the practical implications of model selection for real-world chatbot deployments and demonstrate the importance of multi-dimensional evaluation methods when assessing LLM performance in customer interaction settings.
Yeni bir saldırı tespit sistemi geliştirmek için yeni bir yöntem
After the increased use of digital devices connected to the Internet, which in turn leads to users sharing their personal information, the adoption of intergovernmental institutions, including civil ones, in their work of archiving, management, marketing, etc. . On networked distributed systems, security experts have made the focus of their efforts to provide the necessary cybersecurity, which is to prevent interference by unauthorized persons from gaining access to databases and to protect networks from malicious attacks that cause losses of funds or assets connected to digital networks. Network and in our research, we tried to address the problem of (DDoS) through machine learning technology, where the (Extra Trees Classifier) algorithm was used, which reduces the size of the input data with a low computational cost and low variance, and the Random Forest algorithm with a low bias to choose the best available results from the ExtraTreesClassifier and train The model using the (Dense Neural Network) for learning and testing (IDS) model achieved an accuracy of 99.85%.
Makine öğrenmeyi kullanarak ince iğne aspirasyon görüntülerinde meme kanseri tahmini
Breast cancer, with an estimated 1.5 million new cases per year, is a critical worldwide health problem owing to the disease's high fatality rate. It is also the most common cancer among women, accounting for 16% of all cancer cases in this demographic globally. Mammography is the most successful way for detecting breast cancer in its early stages, allowing for early intervention. Breast cancer may be detected in its early stages using ultrasound, magnetic resonance imaging, and computational tomography, albeit these methods are not as good in investigating and diagnosing these abnormalities as other ways This work aims to develop a methodology that is capable of identifying and classifying cancerous tumors using digital mammography images. In this way, the diagnostic work of these images, carried out by radiologist specialists, will be supported by the system to be developed through the methodology presented in this work. Therefore, with the proposed methodology, it was expected an increase in the agility and effectiveness of the diagnosis and, thus, to increase the chances of cure of the patients, since a rapid and effective diagnosis is of fundamental importance for the treatment of the disease.
Yaygın kullanılan dijital medya platformlarının kvkk açısından incelenmesi
Günümüzde dijital medya platformları, bireylerin günlük yaşamlarında önemli bir yer edinmiş ve kullanıcıların çeşitli kişisel verilerini işleyen yapılar haline gelmiştir. Bu çalışmada, yaygın olarak kullanılan dijital medya platformlarının (WhatsApp, Instagram, Facebook, YouTube, Telegram, Bip, TikTok ve X) gizlilik sözleşmeleri, Kişisel Verileri Koruma Kanunu (KVKK) açısından incelenmiştir. Araştırmanın birinci bölümünde KVKK'nın temel kavramları, amacı, kapsamı ve genel ilkeleri ele alınmıştır. İkinci bölümde, ilgili dijital medya platformlarının kullanıcı sözleşmeleri ve gizlilik politikaları detaylı olarak analiz edilerek, kişisel verilerin nasıl toplandığı, işlendiği ve saklandığı ortaya konmuştur. Üçüncü bölümde ise, bu platformların KVKK ile uyumluluğu değerlendirilerek olası hukuki ve etik sorunlar tartışılmıştır. Çalışmanın sonucunda, dijital medya platformlarının büyük çoğunluğunun kullanıcı verilerini toplama ve işleme süreçlerinde çeşitli eksiklikler barındırdığı, KVKK ile tam uyum sağlamakta zorlandığı tespit edilmiştir. Bu bağlamda, kullanıcıların kişisel verilerini koruyabilmeleri adına bilinçlendirilmesi ve daha şeffaf veri işleme politikalarının benimsenmesi gerektiği sonucuna ulaşılmıştır.
Yaygın kullanılan dijital medya platformlarının kvkk açısından incelenmesi
Günümüzde dijital medya platformları, bireylerin günlük yaşamlarında önemli bir yer edinmiş ve kullanıcıların çeşitli kişisel verilerini işleyen yapılar haline gelmiştir. Bu çalışmada, yaygın olarak kullanılan dijital medya platformlarının (WhatsApp, Instagram, Facebook, YouTube, Telegram, Bip, TikTok ve X) gizlilik sözleşmeleri, Kişisel Verileri Koruma Kanunu (KVKK) açısından incelenmiştir. Araştırmanın birinci bölümünde KVKK'nın temel kavramları, amacı, kapsamı ve genel ilkeleri ele alınmıştır. İkinci bölümde, ilgili dijital medya platformlarının kullanıcı sözleşmeleri ve gizlilik politikaları detaylı olarak analiz edilerek, kişisel verilerin nasıl toplandığı, işlendiği ve saklandığı ortaya konmuştur. Üçüncü bölümde ise, bu platformların KVKK ile uyumluluğu değerlendirilerek olası hukuki ve etik sorunlar tartışılmıştır. Çalışmanın sonucunda, dijital medya platformlarının büyük çoğunluğunun kullanıcı verilerini toplama ve işleme süreçlerinde çeşitli eksiklikler barındırdığı, KVKK ile tam uyum sağlamakta zorlandığı tespit edilmiştir. Bu bağlamda, kullanıcıların kişisel verilerini koruyabilmeleri adına bilinçlendirilmesi ve daha şeffaf veri işleme politikalarının benimsenmesi gerektiği sonucuna ulaşılmıştır.
Siber açıkların tespit edilmesi amacıyla bir uygulamanın geliştirilmesi ve siber saldırı senaryolarının incelenmesi: Türkiye örneği
Teknolojinin hızla gelişmesiyle dijital evrende üretilen veri miktarı da katlanarak artmış, kurum kuruluşların ve bireylerin sanal ortamdaki verileri daha da kıymetli hale gelmiştir. Dijital evrende üretilen verilerin güvenliğine yönelik çalışmaların önemi artmış, ancak bu çalışmalar istenilen düzeyde yeterli olamamıştır. Çeşitli yöntemlerle yapılan siber saldırılar neticesinde, siber uzayın güvenliği ve gizliliğinin korunması anlamına gelen siber güvenlik; kamu, özel kurum kuruluşlar, enerji sektöründeki firmalar, internet ve bilgisayar teknolojilerini kullanan tüm bireyler için önemli bir kavram haline gelmiştir. Siber güvenlik kavramı bilişim teknolojileri alt yapısında çalışan sistem ve yazılımların, güvenlik açıklarının tespit edilerek bu sistemlerin çalışamaz duruma getirmeye yönelik yapılan saldırılara karşı alınan her türlü önlem olarak da ifade edilmektedir. Bilgi ve iletişim teknolojilerinin günlük yaşama entegrasyonu, kamu kurumlarından özel sektöre, bireylerden kritik altyapı hizmet sağlayıcılarına kadar geniş bir yelpazede veri güvenliği ihtiyacını artırmış; buna paralel olarak siber saldırıların sıklığı ve karmaşıklığı da ciddi boyutlara ulaşmıştır. 2021 yılı içerisinde meydana gelen saldırılar incelendiğinde günlük ortalama 6 milyon siber saldırının yapıldığı görülmüştür. Siber saldırılar sonucunda pek çok mahrem bilginin art niyetli kişilerin eline geçmiş; bireyler, şirketler hatta devletler telafisi zor hasarlar almıştır. Ayrıca halen ismi tespit edilemeyen hackerler tarafından dünyanın en büyük kripto para borsası Binance'den 570 milyon dolarlık kripto para birimine erişim sağlayarak kişileri ve kurumları büyük zarara uğratmışlardır. Siber saldırıları önlemek amacıyla devletler ve şirketler pek çok çalışma ve yatırımlar yapmışlardır. Bu tür saldırılar, kusursuz şekilde planlanmış güçlü altyapılar ve etkili siber güvenlik önlemleriyle bertaraf edilebilir. Siber korsanların saldırılarına karşı tedbir almak, saldırıları tespit etmek, önlemek veya karşı saldırı düzenlemek amacıyla 'beyaz şapkalı hacker' kavramı ortaya çıkmıştır. Bu tez, dijitalleşme sürecinin hızla ilerlemesiyle birlikte artan siber tehditlerin yapısını incelemekte ve Türkiye özelinde bir uygulama geliştirerek siber açıkların tespiti ile siber saldırı senaryolarının analizine katkı sunmayı amaçlamaktadır. Çalışmada öncelikle siber güvenlik kavramları, saldırı türleri, saldırgan yöntemleri ve savunma stratejileri kapsamlı bir şekilde literatür taramasıyla ele alınmıştır. Siber ölüm zinciri (Cyber Kill Chain), MITRE ATT&CK matrisi, ISO/IEC 27001, NIST Siber Güvenlik Çerçevesi gibi uluslararası standartlara dayalı yaklaşımlar üzerinden hem teorik hem uygulamalı açıklamalar yapılmıştır. Bu bağlamda, dünya genelinde ve Türkiye'de gerçekleşen önemli siber saldırı örnekleri incelenmiş, ulusal siber güvenlik strateji belgeleri karşılaştırmalı olarak değerlendirilmiştir. Tez kapsamında, Türkiye ve dünya genelindeki açık kaynaklardan elde edilen gerçek siber saldırı verilerinden oluşan yeni bir veri seti hazırlanmıştır. Bu veri seti, makine öğrenmesi yöntemleri kullanılarak, özellikle sınıflandırma algoritmaları temelinde analiz edilmiştir. Yapılan deneysel çalışmalarda, ağaç tabanlı makine öğrenmesi algoritmalarından XGBoost ve LightGBM oldukça başarılı sonuçlar vermiştir. LightGBM modeli ile ROC AUC skoru 0.99, doğruluk (accuracy) %93.34, hassasiyet (precision) 0.9325, geri çağırma (recall) 0.9334 ve F1 skoru 0.9326 olarak hesaplanmıştır. XGBoost modeli ise bu değerleri daha da ileri taşıyarak ROC AUC skoru 0.9954, doğruluk %98.88, hassasiyet, geri çağırma ve F1 skoru metriklerinde ise 0.9384 düzeyine ulaşmıştır. Bu sonuçlar, XGBoost modelinin genel sınıflandırma başarımı açısından LightGBM'e kıyasla daha üstün performans sergilediğini ortaya koymaktadır. Çalışma kapsamında ayrıca, derin öğrenme tabanlı bir model olan Long Short-Term Memory (LSTM) mimarisi de değerlendirilmiştir. LSTM modeli ile yapılan sınıflandırma uygulamasında ROC AUC değeri 0.941 olarak hesaplanmış olup, bu durum modelin sınıflar arasındaki ayrım yapma potansiyeline sahip olduğunu göstermektedir. Ancak, doğruluk oranı %67.83, hassasiyet 0.680, geri çağırma 0.674 ve F1 skoru 0.657 olarak gerçekleşmiş; bu da modelin genel sınıflandırma başarısının geleneksel makine öğrenmesi algoritmalarına göre daha düşük düzeyde kaldığını işaret etmektedir. Ayrıca analiz sürecinde, siber saldırıların hedef endüstrilere göre dağılımı, coğrafi ve zaman boyutlu eğilimleri ile saldırgan gruplar ve uyguladıkları saldırı teknikleri arasındaki ilişkiler detaylı biçimde incelenmiştir. Geliştirilen uygulama aracılığıyla siber saldırıların yöntemi, hedefi ve etkisi gibi değişkenler üzerinden saldırganların tahmini ve savunma stratejilerinin belirlenmesi hedeflenmiştir. Makine öğrenmesi temelli bu yaklaşım sayesinde kurumların kendi siber güvenlik önlemlerini daha etkili bir şekilde yapılandırmaları için pratik bir zemin oluşturulmuştur. Sonuç olarak, bu çalışma hem teorik hem uygulamalı yönleriyle siber güvenlik alanına kapsamlı bir katkı sunmaktadır. Çalışmanın temel amacı, artan siber tehditlere karşı kamu, özel sektör ve birey düzeyinde farkındalığın artırılması, stratejik planların oluşturulması ve karar destek sistemlerinin geliştirilmesine bilimsel dayanak sağlamaktır. Siber saldırıların yalnızca teknik değil, aynı zamanda sosyal, ekonomik ve ulusal güvenlik boyutları olduğu vurgulanmakta; bu sorunlara karşı çok paydaşlı ve bütüncül yaklaşımların gerekliliği ortaya konulmaktadır. Siber saldırılar dünyadaki milyonlarca insan, şirketler ve hatta devletler için önemli tehditlerinden biridir ve tüm milletlerin ortak katkısı ile çözülmelidir. Anahtar Kelimeler: Siber Güvenlik, Siber Saldırı, Makine Öğrenmesi, Türkiye'de Siber Tehditler, Veri Analitiği, Savunma Stratejileri, Kritik Altyapı Güvenliği
Siber açıkların tespit edilmesi amacıyla bir uygulamanın geliştirilmesi ve siber saldırı senaryolarının incelenmesi: Türkiye örneği
Teknolojinin hızla gelişmesiyle dijital evrende üretilen veri miktarı da katlanarak artmış, kurum kuruluşların ve bireylerin sanal ortamdaki verileri daha da kıymetli hale gelmiştir. Dijital evrende üretilen verilerin güvenliğine yönelik çalışmaların önemi artmış, ancak bu çalışmalar istenilen düzeyde yeterli olamamıştır. Çeşitli yöntemlerle yapılan siber saldırılar neticesinde, siber uzayın güvenliği ve gizliliğinin korunması anlamına gelen siber güvenlik; kamu, özel kurum kuruluşlar, enerji sektöründeki firmalar, internet ve bilgisayar teknolojilerini kullanan tüm bireyler için önemli bir kavram haline gelmiştir. Siber güvenlik kavramı bilişim teknolojileri alt yapısında çalışan sistem ve yazılımların, güvenlik açıklarının tespit edilerek bu sistemlerin çalışamaz duruma getirmeye yönelik yapılan saldırılara karşı alınan her türlü önlem olarak da ifade edilmektedir. Bilgi ve iletişim teknolojilerinin günlük yaşama entegrasyonu, kamu kurumlarından özel sektöre, bireylerden kritik altyapı hizmet sağlayıcılarına kadar geniş bir yelpazede veri güvenliği ihtiyacını artırmış; buna paralel olarak siber saldırıların sıklığı ve karmaşıklığı da ciddi boyutlara ulaşmıştır. 2021 yılı içerisinde meydana gelen saldırılar incelendiğinde günlük ortalama 6 milyon siber saldırının yapıldığı görülmüştür. Siber saldırılar sonucunda pek çok mahrem bilginin art niyetli kişilerin eline geçmiş; bireyler, şirketler hatta devletler telafisi zor hasarlar almıştır. Ayrıca halen ismi tespit edilemeyen hackerler tarafından dünyanın en büyük kripto para borsası Binance'den 570 milyon dolarlık kripto para birimine erişim sağlayarak kişileri ve kurumları büyük zarara uğratmışlardır. Siber saldırıları önlemek amacıyla devletler ve şirketler pek çok çalışma ve yatırımlar yapmışlardır. Bu tür saldırılar, kusursuz şekilde planlanmış güçlü altyapılar ve etkili siber güvenlik önlemleriyle bertaraf edilebilir. Siber korsanların saldırılarına karşı tedbir almak, saldırıları tespit etmek, önlemek veya karşı saldırı düzenlemek amacıyla 'beyaz şapkalı hacker' kavramı ortaya çıkmıştır. Bu tez, dijitalleşme sürecinin hızla ilerlemesiyle birlikte artan siber tehditlerin yapısını incelemekte ve Türkiye özelinde bir uygulama geliştirerek siber açıkların tespiti ile siber saldırı senaryolarının analizine katkı sunmayı amaçlamaktadır. Çalışmada öncelikle siber güvenlik kavramları, saldırı türleri, saldırgan yöntemleri ve savunma stratejileri kapsamlı bir şekilde literatür taramasıyla ele alınmıştır. Siber ölüm zinciri (Cyber Kill Chain), MITRE ATT&CK matrisi, ISO/IEC 27001, NIST Siber Güvenlik Çerçevesi gibi uluslararası standartlara dayalı yaklaşımlar üzerinden hem teorik hem uygulamalı açıklamalar yapılmıştır. Bu bağlamda, dünya genelinde ve Türkiye'de gerçekleşen önemli siber saldırı örnekleri incelenmiş, ulusal siber güvenlik strateji belgeleri karşılaştırmalı olarak değerlendirilmiştir. Tez kapsamında, Türkiye ve dünya genelindeki açık kaynaklardan elde edilen gerçek siber saldırı verilerinden oluşan yeni bir veri seti hazırlanmıştır. Bu veri seti, makine öğrenmesi yöntemleri kullanılarak, özellikle sınıflandırma algoritmaları temelinde analiz edilmiştir. Yapılan deneysel çalışmalarda, ağaç tabanlı makine öğrenmesi algoritmalarından XGBoost ve LightGBM oldukça başarılı sonuçlar vermiştir. LightGBM modeli ile ROC AUC skoru 0.99, doğruluk (accuracy) %93.34, hassasiyet (precision) 0.9325, geri çağırma (recall) 0.9334 ve F1 skoru 0.9326 olarak hesaplanmıştır. XGBoost modeli ise bu değerleri daha da ileri taşıyarak ROC AUC skoru 0.9954, doğruluk %98.88, hassasiyet, geri çağırma ve F1 skoru metriklerinde ise 0.9384 düzeyine ulaşmıştır. Bu sonuçlar, XGBoost modelinin genel sınıflandırma başarımı açısından LightGBM'e kıyasla daha üstün performans sergilediğini ortaya koymaktadır. Çalışma kapsamında ayrıca, derin öğrenme tabanlı bir model olan Long Short-Term Memory (LSTM) mimarisi de değerlendirilmiştir. LSTM modeli ile yapılan sınıflandırma uygulamasında ROC AUC değeri 0.941 olarak hesaplanmış olup, bu durum modelin sınıflar arasındaki ayrım yapma potansiyeline sahip olduğunu göstermektedir. Ancak, doğruluk oranı %67.83, hassasiyet 0.680, geri çağırma 0.674 ve F1 skoru 0.657 olarak gerçekleşmiş; bu da modelin genel sınıflandırma başarısının geleneksel makine öğrenmesi algoritmalarına göre daha düşük düzeyde kaldığını işaret etmektedir. Ayrıca analiz sürecinde, siber saldırıların hedef endüstrilere göre dağılımı, coğrafi ve zaman boyutlu eğilimleri ile saldırgan gruplar ve uyguladıkları saldırı teknikleri arasındaki ilişkiler detaylı biçimde incelenmiştir. Geliştirilen uygulama aracılığıyla siber saldırıların yöntemi, hedefi ve etkisi gibi değişkenler üzerinden saldırganların tahmini ve savunma stratejilerinin belirlenmesi hedeflenmiştir. Makine öğrenmesi temelli bu yaklaşım sayesinde kurumların kendi siber güvenlik önlemlerini daha etkili bir şekilde yapılandırmaları için pratik bir zemin oluşturulmuştur. Sonuç olarak, bu çalışma hem teorik hem uygulamalı yönleriyle siber güvenlik alanına kapsamlı bir katkı sunmaktadır. Çalışmanın temel amacı, artan siber tehditlere karşı kamu, özel sektör ve birey düzeyinde farkındalığın artırılması, stratejik planların oluşturulması ve karar destek sistemlerinin geliştirilmesine bilimsel dayanak sağlamaktır. Siber saldırıların yalnızca teknik değil, aynı zamanda sosyal, ekonomik ve ulusal güvenlik boyutları olduğu vurgulanmakta; bu sorunlara karşı çok paydaşlı ve bütüncül yaklaşımların gerekliliği ortaya konulmaktadır. Siber saldırılar dünyadaki milyonlarca insan, şirketler ve hatta devletler için önemli tehditlerinden biridir ve tüm milletlerin ortak katkısı ile çözülmelidir. Anahtar Kelimeler: Siber Güvenlik, Siber Saldırı, Makine Öğrenmesi, Türkiye'de Siber Tehditler, Veri Analitiği, Savunma Stratejileri, Kritik Altyapı Güvenliği
Büyük veriler için kümeleme algoritmalarının meta-analizi
Hızlı teknolojik büyümenin birçok etkisinden biri de veri patlamasıdır. Veriler karmaşıklaştıkça, daha büyük veri kümelerinden en anlamlı içgörüleri çıkarmak için kümelemeyi kullanan bilgi madenciliği yaklaşımları giderek daha popüler hale gelmektedir. Veri karmaşıklığı arttıkça kullanılan bilgi madenciliği yaklaşımlarından biri de kümelemedir. Kümeleme, verileri benzerlik özelliklerine göre gruplayabilen ve çeşitli alanlarda yaygın olarak uygulanan denetimsiz bir öğrenme yöntemidir. Bu araştırma, uluslararası konferans katılımcılarından oluşan gerçek bir veri kümesi kullanarak K-Means, DBSCAN, Mean Shift, Aglomeratif Kümeleme, Spectral Kümeleme ve Deep Embedded Kümeleme (DEC) olmak üzere altı kümeleme algoritmasının meta analizini gerçekleştirmiştir. Bu veri kümesi 22.000'den fazla veriden oluşmaktadır ve altı temel özelliğe dayalı olarak özellik seçimi, temizleme ve puanlama aşamalarından geçirilmiştir. Veri seti, altı temel özelliğe göre özellik seçimi, temizleme ve puanlama işlemlerinden geçirilmiştir. Silhouette Skoru, Davies-Bouldin Endeksi (DBI) ve Dunn Endeksi kullanılarak yapılan değerlendirme, 17 küme oluşturmasına ve 5401,72 MiB bellek tüketmesine rağmen, Aglomeratif Kümelemenin en iyi sonuçları verdiğini göstermiştir (Silhouette: 0,2645, DBI: 1,5168, Dunn: 0,533). Mean Shift ve DEC, eşit derecede düşük Silhouette Skorları (-0,055) ve DBI (-2,291) ile oldukça iyi performans gösterirken, Dunn Endeksi değerleri çok düşüktür. K-Means, zaman ve bellek açısından daha verimlidir, ancak küme kalitesi daha düşüktür (Silhouette: 0,04319, Dunn: 0,2617). DBSCAN, verimli olmasına rağmen, yüksek gürültü (258 nokta) ve en kötü DBI (9.969) değerleri üretmektedir. Spektral Kümeleme genel olarak en düşük performansı göstermiştir (Silhouette: -0,04485, DBI: 6,52696). Bu çalışmadan, Aglomeratif Kümelemenin en iyi küme kalitesini ürettiği, ancak bellek verimliliği ve aşırı küme sayısı gibi dezavantajları olduğu sonucuna varılabilir. K-Means ve DBSCAN hesaplama verimliliğinde üstündür, ancak küme kalitesinde daha az optimaldir. Spektral Kümeleme, temsili olmayan küme ayrımı ile en kötü performansı göstermiştir. Bu araştırma, büyük veri bağlamında kümelemenin yalnızca bir değerlendirme metriğinden görülemeyeceği ve en iyi yaklaşımın daha optimum sonuçlar elde etmek için dahili değerlendirme matrislerini birleştirmek olduğu sonucuna varmaktadır.
Büyük veriler için kümeleme algoritmalarının meta-analizi
Hızlı teknolojik büyümenin birçok etkisinden biri de veri patlamasıdır. Veriler karmaşıklaştıkça, daha büyük veri kümelerinden en anlamlı içgörüleri çıkarmak için kümelemeyi kullanan bilgi madenciliği yaklaşımları giderek daha popüler hale gelmektedir. Veri karmaşıklığı arttıkça kullanılan bilgi madenciliği yaklaşımlarından biri de kümelemedir. Kümeleme, verileri benzerlik özelliklerine göre gruplayabilen ve çeşitli alanlarda yaygın olarak uygulanan denetimsiz bir öğrenme yöntemidir. Bu araştırma, uluslararası konferans katılımcılarından oluşan gerçek bir veri kümesi kullanarak K-Means, DBSCAN, Mean Shift, Aglomeratif Kümeleme, Spectral Kümeleme ve Deep Embedded Kümeleme (DEC) olmak üzere altı kümeleme algoritmasının meta analizini gerçekleştirmiştir. Bu veri kümesi 22.000'den fazla veriden oluşmaktadır ve altı temel özelliğe dayalı olarak özellik seçimi, temizleme ve puanlama aşamalarından geçirilmiştir. Veri seti, altı temel özelliğe göre özellik seçimi, temizleme ve puanlama işlemlerinden geçirilmiştir. Silhouette Skoru, Davies-Bouldin Endeksi (DBI) ve Dunn Endeksi kullanılarak yapılan değerlendirme, 17 küme oluşturmasına ve 5401,72 MiB bellek tüketmesine rağmen, Aglomeratif Kümelemenin en iyi sonuçları verdiğini göstermiştir (Silhouette: 0,2645, DBI: 1,5168, Dunn: 0,533). Mean Shift ve DEC, eşit derecede düşük Silhouette Skorları (-0,055) ve DBI (-2,291) ile oldukça iyi performans gösterirken, Dunn Endeksi değerleri çok düşüktür. K-Means, zaman ve bellek açısından daha verimlidir, ancak küme kalitesi daha düşüktür (Silhouette: 0,04319, Dunn: 0,2617). DBSCAN, verimli olmasına rağmen, yüksek gürültü (258 nokta) ve en kötü DBI (9.969) değerleri üretmektedir. Spektral Kümeleme genel olarak en düşük performansı göstermiştir (Silhouette: -0,04485, DBI: 6,52696). Bu çalışmadan, Aglomeratif Kümelemenin en iyi küme kalitesini ürettiği, ancak bellek verimliliği ve aşırı küme sayısı gibi dezavantajları olduğu sonucuna varılabilir. K-Means ve DBSCAN hesaplama verimliliğinde üstündür, ancak küme kalitesinde daha az optimaldir. Spektral Kümeleme, temsili olmayan küme ayrımı ile en kötü performansı göstermiştir. Bu araştırma, büyük veri bağlamında kümelemenin yalnızca bir değerlendirme metriğinden görülemeyeceği ve en iyi yaklaşımın daha optimum sonuçlar elde etmek için dahili değerlendirme matrislerini birleştirmek olduğu sonucuna varmaktadır.