Comparative analysis of supervised, unsupervised, semi-supervised, and reinforcement learning methods for data loss prevention

Basit Öğe Kaydı
dc.authorid0009-0001-2443-2719
dc.authorid0000-0003-2865-6370
dc.contributor.authorVural, Ahmeten_US
dc.contributor.authorÇeliktaş, Barışen_US
dc.contributor.editorÇoğun, Hikmet Yeteren_US
dc.contributor.editorParlar, İshaken_US
dc.contributor.editorÜzmuş, Hasanen_US
dc.date.accessioned2026-03-16T11:46:35Z
dc.date.available2026-03-16T11:46:35Z
dc.date.issued2023-05-24
dc.departmentIşık Üniversitesi, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Yüksek Lisans Programıen_US
dc.departmentIşık University, School of Graduate Studies, Master’s Program in Computer Engineeringen_US
dc.departmentIşık Üniversitesi, Mühendislik ve Doğa Bilimleri Fakültesi, Bilgisayar Mühendisliği Bölümüen_US
dc.departmentIşık University, Faculty of Engineering and Natural Sciences, Department of Computer Engineeringen_US
dc.description.abstractVeri Kaybını Önleme (DLP), veri kaybını, hassas verilerin güvenli olmayan veya uygun olmayan bir şekilde paylaşılmasını, transferini veya kullanılmasını engelleyen bir güvenlik çözümüdür. DLP ayrıca Genel Veri Koruma Yönetmeliği (GDPR) ve diğer düzenleyici gereklilikler gibi düzenlemelere uyum sağlamamıza yardımcı olmaktadır. DLP'nin temel amacı hassas verilerin sızmasını önlemek ve böylece veri sahiplerinin itibarlarını korumak, maliyetleri azaltmak ve iş sürekliliğini sağlamaktır. DLP, veri sızmasını engellemek veya önceden belirlenmiş veri sınıflandırma politikaları kullanarak olayları kaydetmek için bir dizi kural kullanan bir uygulamadır. Bu etiketler genellikle bir program tarafından tanımlanan bilgilere dayalı olarak oluşturmakta ve uygulamaktadır. Bu çalışmamız, DLP sistemlerinde denetimli, denetimsiz, yarı denetimli ve takviyeli öğrenme yöntemlerinin kullanımına odaklanmakta olup, veri sınıflandırması için makine öğrenme algoritmaları aracılığıyla verilerin işlenmesi ve kullanılmasıyla veri ihlallerini ve ihlallerini en aza indirmeyi amaçlamaktadır. Çalışmamızda, makine öğrenme yöntemlerinin yeteneklerine dayalı olarak en uygun seçenekler değerlendirilecektir. Çalışmanın bulguları, denetimli öğrenme yöntemlerinin karşılaştırmalı analizinin DLP için en etkili yaklaşım olduğunu önermektedir, ancak yarı denetimli ve güçlendirme öğrenme yöntemleri sınırlı etiketli veri olduğunda kullanışlı olabilmektedir. Çalışma ayrıca makine öğrenme algoritmaları kullanarak otomatik olarak DLP prensiplerinin oluşturulmasının faydalarını içermektedir. El ile hazırlanan sınıflandırmaların otomatikleştirilmesiyle, sistemin daha verimli olması ve yanlış pozitif değerlerin en aza indirilmesi beklenmektedir. Özetle, bu çalışma kullanıcıların veri işleme standartları veya alışkanlıklarını makine öğrenmeyle birleştirerek bu etiketlerin ve verilerin DLP kurallarında kullanılmasını mümkün kılmaktadır. El ile yapılan manuel sınıflandırma, makine öğrenme ile otomatikleştirilebilir, bu da daha iyi kontrollerin yapılmasına olanak sağlamaktadır. Makine öğrenme ve DLP aynı anda kullanıldığında, veri sınıflandırması hatalı olmadan gerçekleştirilecek ve yanlış pozitif alarm sayısı azalacaktır. Dosyaların yapısı ve içeriği kullanıcı alışkanlıklarına göre doğru bir şekilde belirlenecek, ilgili kuralların doğruluğu ve güvenilirliği sağlanacaktır. Kullanıcılar belirli algoritmalar aracılığıyla izlenecek, dosya içeriğinde en sık kullanılan veriler raporlanabilecek ve bunun şirket riski olarak kabul edilebilir olup olmadığı belirlenebilecektir. Sonuç olarak, kurum ve kuruluşlar, veri koruma politikalarını daha verimli ve kullanılabilir hale getirebilecek ve veri kaybı riskini azaltabilecek ve düzenlemelere tabi kişisel verileri kontrol altına alabilecektir.en_US
dc.description.versionPublisher's Versionen_US
dc.identifier.citationVural, A. & Çeliktaş, B. (2023). Comparative analysis of supervised, unsupervised, semi-supervised, and reinforcement learning methods for data loss prevention. Paper presented at the 3th International Congress of Engineering and Natural Sciences Studies, 312-326.en_US
dc.identifier.endpage326
dc.identifier.isbn9786256488052
dc.identifier.startpage312
dc.identifier.urihttps://hdl.handle.net/11729/7139
dc.identifier.urihttps://icenss.org/3-icenss/
dc.institutionauthorVural, Ahmeten_US
dc.institutionauthorÇeliktaş, Barışen_US
dc.institutionauthorid0009-0001-2443-2719
dc.institutionauthorid0000-0003-2865-6370
dc.language.isotren_US
dc.peerreviewedYesen_US
dc.publicationstatusPublisheden_US
dc.publisherBIDGE Publicationsen_US
dc.relation.ispartof3th International Congress of Engineering and Natural Sciences Studiesen_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Öğrencien_US
dc.relation.publicationcategoryKonferans Öğesi - Uluslararası - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/closedAccessen_US
dc.subjectVeri Kaybı Önleme (Data Loss Prevention)en_US
dc.subjectDenetimli Öğrenme (Supervised Learning)en_US
dc.subjectDenetimsiz Öğrenme (Unsupervised Learning)en_US
dc.subjectYarı Denetimli Öğrenme (Semi-Supervised Learning)en_US
dc.subjectTakviyeli Öğrenme (Reinforcement Learning)en_US
dc.titleComparative analysis of supervised, unsupervised, semi-supervised, and reinforcement learning methods for data loss preventionen_US
dc.typeConference Objecten_US
dspace.entity.typePublicationen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
Comparative_Analysis_of_Supervised_Unsupervised_Semi_Supervised_and_Reinforcement_Learning_Methods_for_Data_Loss_Prevention.pdf
Boyut:
462.4 KB
Biçim:
Adobe Portable Document Format
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.17 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Bildiri Koleksiyonu | Bilgisayar Mühendisliği Bölümü
Lisansüstü Eğitim Enstitüsü Diğer Yayınlar Koleksiyonu
Öğrenci Yayınları Bildiri Koleksiyonu