Windows os vulnerability classification using machine learning techniques
Makine öğrenimi tekniklerini kullanarak windows işletim sistemi güvenlik açığı sınıflandırması
- Tez No: 859662
- Danışmanlar: DR. ÖĞR. ÜYESİ SAİT DEMİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Güvenlik Açığı Sınıflandırması, Makine Öğrenimi, Random Forest, Logistic Regression, Naive Bayes, K-Nearest Neighbors, SVM
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Teknoloji ve sistemlerin hızla gelişmesi, özellikle veri koruma ve bilgi güvenliğini sağlama alanında birçok zorluğun ortaya çıkmasına neden olmaktadır. Veri güvenliğini sağlamayı amaçlayan bir dizi prosedür ve teknik içeren siber güvenlik alanı yeni bir alan olarak bilinmektedir. Bu çalışmada, Windows sisteminin siber güvenliğini iyileştirmek için makine öğrenimini kullanılmıştır. Windows sisteminin güvenlik açıklarını sınıflandırmak için beş makine öğrenimi sınıflandırma algoritması (Random Forest, Logistic Regression, Naive Bayes, K-Nearest Neighbors, SVM) kullanılmıştır. Veri seti exploit-deb ve NIST (National Institute of Standards and Technology) sitelerinden elde edilmiştir. Çalışma sırasında çeşitli parametreler hesaplanmıştır. Sonuçlar, en yüksek doğruluk derecesinin Rastgele Orman algoritması kullanıldığında elde edildiğini ortaya koymuştur (doğruluk: % 0,97, hassasiyet: % 0,97, hatırlama: 0,97, F1-skoru: %0,97 ve Roc Auc skoru: %0,99), %97'lik bir doğruluk elde edilmiştir. Sonuçlar, Rastgele Orman algoritmasının güvenlik açığı sınıflandırma problemini çözme yeteneğini vurgulamaktadır.
Özet (Çeviri)
The speedy development of technology and systems leads to the emergence of many challenges, especially in the field of data protection and maintaining information security. It is newly known as the field of cybersecurity, which includes a set of procedures and techniques that seek to maintain data security. Through this study, we have used machine learning to improving cybersecurity of the Windows system. We have used five machine learning classification algorithms (Random Forest, Logistic Regression, Naive Bayes, K-Nearest Neighbors, SVM) to classify the Windows system's vulnerabilities. We have collected the dataset from two sites exploit-deb and NIST (National Institute of Standards and Technology). Several parameters were calculated during the study. The results revealed that the highest degree of accuracy was achieved when using the Random Forest algorithm (accuracy: 0,97%, precision: 0,97%, recall: 0,97%, F1-score: 0,97%, and Roc Auc score: 0,99%), which means achieving an accuracy of 97%. The results highlight the Random Forest algorithm's ability to solve the vulnerability classification problem.
Benzer Tezler
- Macro stress-testing approach of credit risk: Turkish case
Kredi riskine makro-stres testi yaklaşımı: Türkiye örneği
ALİ YAVUZ POLAT
Yüksek Lisans
İngilizce
2011
EkonomiBoğaziçi Üniversitesiİktisat Ana Bilim Dalı
DOÇ. DR. AHMET FARUK AYSAN
- Windows altında yazılım geliştirme
Improvement of programming in windows 3.1
KEREM EBRÖKE
Yüksek Lisans
Türkçe
1994
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. MİTHAT UYSAL
- Yetişkinlerde Os Sacrum'un Çok Kesitli Bilgisayarlı Tomografi (ÇKBT) ile morfometrik incelenmesi
Morphometrical Study Of Os Sacrum In Adults By Multidetector Computer Thomography (MDCT)
TOLGA DUMAN
- Network packet capturing for Windows operating system
Windows işletim sistemlerinde ağ paketi yakalama
YÜCEL AYDIN
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- Articulatio sacroiliaca'nın 3D morfometrik analizi ve bilgisayarlı tomografi ile incelenmesi
The 3D morphometric analysis of sacroiliac joint and investigation with computerized tomography
MEHMET KARABULUT
Yüksek Lisans
Türkçe
2018
AnatomiGaziantep ÜniversitesiAnatomi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK CİHAN