Detection of SQL injection attacks
Başlık çevirisi mevcut değil.
- Tez No: 826450
- Danışmanlar: DR. ÖĞR. ÜYESİ AYÇA KURNAZ TÜRKBEN
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilişim Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 83
Özet
SQL veri kümelerini kullanan web uygulamaları, SQL enjeksiyon saldırılarına karşı ciddi risk altındadır. İki ayrı veri seti kullanan bu çalışma, SQL enjeksiyon tehditlerini belirlemek için makine öğrenimi sınıflandırma yaklaşımlarının faydasını inceledi. Biri gerçek dünyadan alınan ve diğeri yapay olarak oluşturulan iki veri kümesinde rastgele orman (RF), descion tree (DT), k-en yakın komşular (KNN), gradyan artırma (GB), xgb sınıflandırıcı, doğrusal SVM (Destek Vektörü) Makineler) ve RBF (Radial Basis Function) SVM eğitildi. Sonuçlar, her iki algoritmanın da SQL enjeksiyon saldırılarını kesin ve kesin bir şekilde tespit edebildiğini gösterdi. Sentetik veri seti kullanılarak eğitilen model, gerçek dünya veri seti kullanılarak eğitilen modelden daha iyi performans gösterdi. Bu bulgular, ML sınıflandırmasının SQL enjeksiyon saldırılarını belirleme potansiyelinin yanı sıra model doğruluğunu (ACC) artırmak için çeşitli veri kümeleri kullanmanın değerini vurgulamaktadır.
Özet (Çeviri)
Web applications that employ SQL datasets are at serious risk from SQL injection attacks. Using two separate datasets, this study examined the utility of ML classification approaches for identifying SQL injection threats. On two datasets—one taken from the actual world and the other created artificially—random forest (RF), descion tree (DT), k-nearest neighbours (KNN), gradient boost (GB), xgb classifier, linear SVM (Support Vector Machines), and RBF (Radial Basis Function) SVM were trained. The outcomes demonstrated that both algorithms could precisely and precisely detect SQL injection attacks. The model that was trained using the synthetic dataset outperformed the model that was trained using the real-world dataset. These findings highlight the potential of ML classification for identifying SQL injection attacks as well as the value of employing a variety of datasets to increase model accuracy (ACC).
Benzer Tezler
- SQL enjeksiyonu saldırılarının makine öğrenmesi ile tespiti ve korunma yöntemleri
Detection of SQL injection attacks with machine learningand prevention methods
EMRE POLAT
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgi Güvenliği Mühendisliği Ana Bilim Dalı
PROF. DR. HALİL İBRAHİM BÜLBÜL
- Detection of malicious SQL injections using svm and KNN algorithms
Başlık çevirisi yok
SAMEER ABDULJABBAR KADHIM HACHAM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Prof. OSMAN NURİ UÇAN
- Veriyükü üzerinden sql enjeksiyon zafiyetlerin belirlenmesi
Determining sql injection vulnerabilities through payload
RAMAZAN CANKUŞ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiSiber Güvenlik Ana Bilim Dalı
PROF. DR. RESUL KARA
- Web tabanlı saldırı önleme amaçlı yeni bir gerçek zamanlı web uygulaması güvenlik duvarı algoritmasının gerçekleştirilmesi
Implemantation of a real time web-based intrusion prevention aimed web application firewall algoritm
ADEM TEKEREK
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
PROF. DR. ÖMER FARUK BAY
- Makine öğrenmesi algoritmalarının hibrit yaklaşımı ile ağ anomalisi tespiti
Network anomaly detection with a hybrid approach of machine learning algorthms
FEYZA ÖZGER
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİT ÖZTEKİN