Öznitelik tabanlı oltalama tespit sistemlerinin makine öğrenmesi yöntemleri ile değerlendirmesi
Evaluation of attribute based phishing detection systems with machine learning methods
- Tez No: 849561
- Danışmanlar: DR. ÖĞR. ÜYESİ GÜLSÜM ZEYNEP GÜRKAŞ AYDIN, DR. ÖĞR. ÜYESİ EBU YUSUF GÜVEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 68
Özet
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.
Özet (Çeviri)
Phishing attacks are attacks based on deceiving users by creating fake websites that mimic legal websites, using social engineering tactics. These attacks typically involve creating counterfeit websites that imitate legal websites and often employ social engineering tactics to deceive users. Such attacks mislead users by presenting fake sites as legitimate ones to steal sensitive information. Phishing attacks, especially those aiming to steal financial data, pose a significant threat to users and the damages caused by these attacks continue to increase. Fake websites detected by the National Cyber Incident Response Center demonstrate that phishing attacks are a serious cybersecurity issue in Turkey. Effectively combating phishing attacks requires identifying their distinctive and common features before detecting such sites. This study focuses on attribute information related to URL content, character similarity, cosine similarity, Levenshtein distance similarity, and original domain features to determine if a website is a phishing site. It proposes a classifier model that achieves high accuracy rates, recognized in the literature. In this study, 32 different attribute information were used in the dataset generated within the scope of the proposed model. Three different datasets were created from the dataset prepared to detect phishing attacks within the proposed model, and the performance of various feature selection methods and classification algorithms were evaluated on these datasets. Machine learning methods such as Decision Tree, Random Forest, Logistic Regression, Support Vector Machine, and Artificial Neural Networks were employed. Tests conducted on the datasets resulted in an accuracy parameter of 96,40% for the Logistic Regression method.
Benzer Tezler
- Dynamic security enhancement of power systems via population based optimization methods integrated with artificial neural networks
Yapay sinir ağlarının entegre edildiği popülasyon tabanlı optimizasyon yöntemleriyle güç sistemlerinin dinamik güvenliğinin iyileştirilmesi
CAVİT FATİH KÜÇÜKTEZCAN
Doktora
İngilizce
2015
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. VEYSEL MURAT İSTEMİHAN GENÇ
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR
- Saldırı Tespit Sistemlerinde Makine Öğrenimi Tekniklerinin Kullanımı ve Analizi
Analysis and Use of Machine Learning Techniques in Intrusion Detection Systems
BERKSU ERTUĞRUL
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiHesaplamalı Bilimler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DERYA ARDA
- A machine learning classification approach for diabetes and biomedical data
Diyabet ve biyomedikal veri için bir makine öğrenmesi sınıflandırma yaklaşımı
SARBAST JALO HASHIM ALZEBARI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İBRAHİM BERKAN AYDİLEK