Bilişim Suçları, Veri
Madenciliği ve Matematiksel Algoritmalar


“Matematiksel
olarak suç analizinde proaktif bir teknik nedir?” diyecek olursak, cevap veri
madenciliği algoritmalarıdır.


Güvenlik
algısı eskiden olduğu gibi reaktif yöntemle suç gerçekleştikten sonra değil,
gerçekleşmemiş bir suçu önleme şeklinde gelişmiştir. Proaktif yaklaşım olarak
tanımlanan bu yöntem olası suçların önceden görülebilmesini mümkün kılmaktadır.


Bilişim
suçları yeni bir suç çeşidi olarak günden güne tehlikeli bir hal almakta ve sayıları
artmaktadır. Bu kapsamda önem kazanan veri hırsızlığı, siber dolandırıcılar
tarafından gönderilen, tanınmış firmalardan (bankalar gibi) gönderilmiş gibi
görünen, kredi kartı numarası veya şifre gibi gizli bilgileri elde etmeyi
amaçlayan e-postalar aracılığıyla yapılmaktadır.


Veri
Hırsızlığı


Dünya
genelindeki veri hırsızlığına ilişkin bilgilerin paylaşıldığı rapora göre, 2013
yılının başı ile Nisan 2016 tarihleri arasını kapsayan dönemde veri
hırsızlığıyla çalınan kayıt sayısı 3,7 milyarı aştı. Veri hırsızlığının en çok
yaşandığı ülkeler arasında Amerika, Çin ve Güney Kore başı çekiyor.


Söz konusu
sürede en yüksek veri hırsızlığının yaşandığı olaylar arasında; “Alibaba’dan
300 milyon verinin”, “eBay’dan 145 milyon verinin”, “191 milyon ABD seçmen
kaydının” ve “152 milyon Adobe Systems kaydının” çalınması gösteriliyor.


Bu noktada
“Matematiksel olarak suç analizinde proaktif bir teknik nedir?” diyecek
olursak, cevap veri madenciliği algoritmalarıdır. Ayrıca suçu oluşturan
nedenler arasında bağ kurma için de veri madenciliği uygun bir tekniktir.


Bilişimde Suç
Analizi


Suç analizi,
gelişen bilişim teknolojileriyle çeşitli veritabanları, sayısal haritalar ve
coğrafi bilgi sistemleriyle desteklenerek çok daha verimli sonuçlar veren
algoritmalar bütünü haline gelmiştir. Veri madenciliğinin konuya uygunluğundan
dolayı suç veri madenciliği kavramı ortaya çıkmıştır.


Veri
madenciliği algoritmalarından kümeleme, sapma tespiti, sınıflandırma ve
birliktelik kuralları, suç analizinde kullanılan etkin yöntemlerden bazılarıdır.
Bu teknikler sayesinde suç örüntülerinin tanımlanması ve ilişkisiz gibi görünen
veriler arasındaki ilişkilerin çıkarımı söz konusudur.


Kümeleme
algoritmalarıyla, suç kayıtlarındaki benzerlikler üzerinde ilişkilendirme
yapılabilmektedir. Bu teknikle, bölgelere göre suç dağılımlarının yakınlığının
ve uzaklığının incelenmesi mümkündür.


Sapma tespiti
tekniğiyle, kayıtlardaki anormal durumların örüntüsünün oluşturulur.
Dolandırıcılık, ağ saldırıları gibi konuların incelenmesinde kullanılan suç
veri madenciliği yöntemidir. Örneğin; bir bölgede olağan dışı bir hareketlilik
varsa bu genellikle bir olaya işarettir.


Sınıflandırma
tekniği, örüntüsü bilinen suçların sınıflara ayrılmasında kullanılır. e-posta
göndericilerinin tespiti, bu yönteme örnek olarak gösterilebilir.


Sosyal ağ
analizi, bir ağdaki ilişkileri ve rolleri tespit etmek için kullanılabilecek
teknik olarak ifade edilmiştir. Sosyal ağlar üzerinde kışkırtma suçlarının
tespiti bu analizle yapılabilir.


Birliktelik
kuralları madenciliği algoritmalarıyla, büyük veri kümeleri içerisinde
nitelikler arası ilişkilerin kurulması sağlanır. Örneğin; mevcut veriler suçun
nitelikleri olarak gruplanır ve yapılan analiz sonucunda sıklıkla tekrarlayan
durumlar için kurallar oluşturulur.


Zühre AYDIN


KAYNAKÇA:


Estivill-Castro,
V., Lee I., “Data Mining Techniques for Autonomous Exploration of Large Volumes
of Geo-Referenced Crime Data”, Proc. Sixth Int’l Conf. Geocomputation, 2001.


Takçı H. ,
Hayta Ş. , Suç Veri Madenciliği Yardımıyla Hırsızlık Suçları Hakkında Kural
Çıkarımı, Eleco 2014 Elektrik – Elektronik – Bilgisayar ve Biyomedikal
Mühendisliği Sempozyumu, Kasım 2014, Bursa


İNDİRME LİNKİ
: http://biakraporu.org/docs/rapor.kisim3.bolum02.pdf


Matematiksel


Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

cialis 5 mg viagra satın al Elektronik Sigara https://wwv.stag9000.shop http://umraniyetip.org/anadolu-yakasi/maltepe-escort/ perabet