Dağıtık Veritabanlarında Saldırı Önleme Metotları
Öz
Dağıtık sistemlerin kullanılmasıyla birlikte
verilere farklı kullanıcılar farklı yerlerden anlık erişim sağlayabilmekte ve
veriler üzerinde birtakım işlemler yapabilmektedir. Ancak, birden fazla
kullanıcının aynı anda farklı noktalardan sisteme yetkisiz olarak erişmek
istemesi veri güvenliği ve verinin gizliliği noktasında tehlikeli sonuçlar
doğurabilmektedir. Bu çalışma, dağıtık veritabanları üzerine inşa edilmiş
saldırı tespit ve önleme sistemleri üzerine olup, kullanılan metotların
sınıflamasını yaparak, başarılarını analiz etmekte ve karşılaştırmalı olarak
değerlendirmektedir. Üç kategori olarak sınıflandırılan yöntemlerden yapay zeka
teknikleri içerisinde yer alan yapay bağışıklık algoritmasının veri madenciliği ve istatistiksel yöntemler
içerisinde geçen diğer tekniklere oranla daha başarılı sonuçlar verdiği
gözlenmiştir.
Anahtar Kelimeler
Kaynakça
- Abraham, A., Grosan, C. ve Martiv-Vide, C., 2007. Evolutionary design of intrusion detection programs. Int. Journal of Network Security, 4, 328-339.
- Aburonman, A. ve Reaz, M., 2016. A novel SVM-kNN-PSO ensemble method for intrusion detection system. Elseiver Applied Soft Computing, 38, 360-372.
- Alhello, Z., Abdul, A. ve Harleen, K., 2017. On Applicatiablity of Neural Network in Intrusion Detection and Prevention. International Journal of Advanced Research in Computer Science, 8(7), 494-498.
- Bakir, C. ve Hakkoymaz, V., 2015. Veritabanı Güvenliğinde Saldırı Tahmini ve Tespiti için Kullanıcıların Sınıflandırılması, ISCTurkey2015 8.Uluslararası Bilgi Güvenliği ve Kriptoloji Konferansı (VIII. Int’l Conference on Information Security and Cryptology), Ankara, Türkiye, s.1-6.
- Castro, L. ve Timmis J., 2003. Artificial immune systems as a novel soft computing paradigm. Soft computing, Springer, 7(8), 526–544.
- Chen, M., Chang, P. ve Wu, J., 2016. A population-based incremental learning approach with artificial immune system for network intrusion detection. Elseiver Engineering Applications of Artificial Intelligence, 51, 171-181.
- Degang, Y. ve Guo, C., 2007. Learning Vector Quantization Neural Network Method for Network Intrusion Detection. Wuhan University Journal of Natural Sciences, 12(1), 147-150.
- Deng, H.ve Zeng, Q., 2003. SVM-baseed detection system for wireless ad hoca networks, Vehicular Technology Conference, Ekim 2003, Orlando, USA, s. 2147-2151.
- Faraoun, K.M. ve Boukelif, A., 2007. Neural Networks learning improvement using the K-Means clustering algorithm to detect network intrusions. International Journal of Computer and Information Engineering, 1(10), 3138-3145.
- Farhaoui, Y., 2017. Design and Implementation of an Intrusion Prevention System. International Journal of Network Security, 19(5), 675-683.