Eğitimin Amacı ve Kapsamı
Sıfırıncı gün (zero-day) saldırıları, içeriden gelen tehditler (insider threat) ve daha önce görülmemiş suistimal senaryoları geçmiş etiketli veride yer almaz; ancak denetimsiz (unsupervised) anomali modelleri yanlış kurgulandığında her sıra dışı ama meşru olayı alarm olarak üreterek ekipleri kilitler. Eğitim, yüksek hacimli güvenlik ve operasyon verilerinde düşük yanlış pozitif oranlı anomali tespiti mühendisliğini ele alır.
Katılımcılar PyOD, scikit-learn ve PyTorch kullanarak kullanıcı ve varlık bazlı dinamik profilleme (UEBA), Isolation Forest/ECOD, Autoencoder geri çatma hatası ve zaman serisi ayrıştırma modellerini gerçekçi veri setleri üzerinde kurar ve eşik kalibrasyonu yapar.
Kimler Katılmalı?
- Güvenlik analitiği, UEBA, sahtecilik (fraud) ve operasyonel izleme çalışan veri bilimciler
- Makine öğrenmesi ve veri mühendisleri
- SIEM/SOC kural ve analitik geliştirme uzmanları
- Ön koşul: Python (pandas, scikit-learn) ve temel olasılık/istatistik bilgisi
Kazanımlar
- Nokta, bağlamsal (contextual) ve kolektif anomaliler için uygun algoritma ailesini seçmek
- Kullanıcı, rol ve akran grubu (peer group) bazında davranışsal UEBA özellikleri çıkarmak
- PyOD ile Isolation Forest, LOF, ECOD ve COPOD modellerini yüksek boyutlu log verisine uygulamak
- Derin Autoencoder ve zaman serisi modelleriyle ardışık olay ve trafik anomalilerini yakalamak
- Eşik (threshold) kalibrasyonu, topluluk (ensemble) skorlama ve analist geri bildirimiyle yanlış alarmları düşürmek
Konular
Anomali Türleri ve Güvenlik Verisinde Temel Zorluklar
- Nokta, bağlamsal ve kolektif anomaliler; neden her istatistiksel aykırı değer bir saldırı değildir?
- Mevsimsellik, mesai saatleri, sistem bakımları ve temel oran yanılgısı (base-rate fallacy)
UEBA İçin Davranışsal Özellik Mühendisliği ve Akran Gruplama
- Kayan pencere (rolling window) özetleri, nadirlik (rarity) skorları ve ilk kez görülen (first-time) olaylar
- Bireysel geçmiş (self-baseline) ve departman/rol akran grubu (peer-group baseline) Z-skoru normalizasyonu
Denetimsiz ve Yarı Denetimsiz ML Algoritmaları (PyOD)
- Isolation Forest, Local Outlier Factor (LOF), One-Class SVM, ECOD ve COPOD karşılaştırması
- Az sayıda doğrulanmış olayla yarı denetimsiz (DeepSAD / XGBOD) ve aktif öğrenme (active learning) kurgusu
Derin Öğrenme, Zaman Serisi ve Log Dizisi Anomalileri
- Autoencoder ve Variational Autoencoder (VAE) geri çatma hatasıyla çok değişkenli anomali tespiti
- STL ayrıştırma, Prophet ve Drain/Transformer tabanlı sistem log dizisi (DeepLog) anomali analizi
Skor Birleştirme, Eşik Kalibrasyonu ve Kavram Kayması (Drift)
- Çoklu anomali sinyallerini varlık bazlı risk skorunda (entity risk score) toplama ve POT/EVT ile eşik seçimi
- Veri dağılımı kaymasını (PSI / KS testi) izleme, otomatik yeniden eğitim ve analist için kök neden açıklama
Bu Kategorideki Diğer Eğitimler
-
SIEM, SOAR ve vaka yönetim süreçlerine LLM asistanları, doğal dilden KQL/SPL sorgu üretimi, otomatik alarm zenginleştirme, triyaj agent'ları ve olay özetleme iş akışlarını güvenli biçimde entegre etmeyi öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Makine öğrenmesi ve derin öğrenme modellerine yönelik model çalma (extraction), üyelik çıkarımı (membership inference), tersine çevirme (inversion), zehirleme ve yanıltma saldırılarını MITRE ATLAS çerçevesinde inceleyen ve koruma yöntemlerini öğreten eğitim.
- Canlı Kurs
- 5 modül
-
FGSM, PGD, Carlini & Wagner, AutoAttack ve kara kutu (black-box) yanıltma saldırılarını IBM Adversarial Robustness Toolbox (ART) ile uygulamalı inceleyen; adversarial training ve sertifikalı dayanıklılık tekniklerini öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Model eğitimi ve fine-tuning veri setlerine yönelik etiket çevirme (label flipping), temiz etiketli zehirleme (clean-label poisoning) ve gizli backdoor/trojan saldırılarını; spektral imza analizi ve veri temizleme ile önlemeyi öğreten eğitim.
- Canlı Kurs
- 5 modül
-
Görüntü, ses, biyometri ve çok modlu derin sinir ağlarında ağırlık ve mimari hırsızlığı, özellik geri çatma (reconstruction), sponge gecikme saldırıları ve güvenli GPU/Triton dağıtımını uçtan uca ele alan kapsamlı eğitim.
- Canlı Kurs
- 5 modül
-
Veri hazırlama, Jupyter çalışma alanları, MLflow, Kubeflow, model registry, CI/CD ve KServe/Kubernetes çıkarım kümelerini kapsayan MLOps yaşam döngüsünü Sigstore/Cosign, ModelScan ve sıfır güven kontrolleriyle güvenceye almayı öğreten eğitim.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
