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

Küçük Resim Yok

Tarih

2025

Dergi Başlığı

Dergi ISSN

Cilt Başlığı

Yayıncı

Düzce Üniversitesi

Erişim Hakkı

info:eu-repo/semantics/openAccess

Özet

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
Corporate networks are highly vulnerable to both external and internal cyber threats. With the rapid increase in digitalization, organizations are exposed to more network connections and devices, which in turn introduce new security risks. While most corporate security strategies primarily focus on external attacks, potential threats originating from the internal network are often overlooked. However, an internal security breach can cause consequences as severe as external attacks, leading to financial losses and reputational damage. In this study, a machine learning–based threat detection and classification model was developed using real-time threat logs obtained from next-generation firewall systems. In the first phase, only firewall logs were analyzed; in the second phase, behavioral features derived from the CICIDS2018 dataset were integrated to reevaluate the system's performance. GRU, LSTM, XGBoost, and MLP algorithms were employed, and model performance was evaluated based on the F1-score, which balances precision and recall. The results indicate that the XGBoost model achieved the highest performance in both phases, with the F1-score improving from 0.9839 to 0.9909 after the inclusion of behavioral data. This improvement demonstrates that behavioral analysis significantly enhances threat detection performance. LSTM and GRU models produced consistent results, particularly in the dataset enriched with behavioral features, due to their ability to capture temporal dependencies. The findings reveal that machine learning–based approaches provide a strong and practical method for accurately detecting and classifying threats in next-generation firewall logs. Keywords: Anomaly Detection, Behavioral Analysis, Firewall, Threat Classification, XGBoost

Açıklama

Anahtar Kelimeler

Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol

Kaynak

WoS Q Değeri

Scopus Q Değeri

Cilt

Sayı

Künye

Akçalı, S. (2025). Kurumsal Ağlarda İç Ağdan Gelen Atak Ve Tehditlerin Makine Öğrenimi Yöntemleri İle Sınıflandırılması Ve Anomali Tespiti (Tez No. 988423) [Yüksek Lisans Tezi, Düzce Üniversitesi].