Yüksek Lisans Adayı: Nesil Bor
EABD: Siber Güvenlik
Tarih: 02.09.2026 / 10:00
Yer: A-212

Özet: Bu tez, kaynak kısıtlı yerel sistemlerde kimlik avı e-postası tespiti için üretken ve sınıflandırma tabanlı 25 dil modelini karşılaştırmalı olarak değerlendirmektedir. Modern siber güvenlikteki temel zorluklardan biri, İngilizce dışındaki diller için yerelleştirilmiş ve psikolojik derinliğe sahip tehdit verisinin eksikliğidir. Bu boşluğu doldurmak amacıyla, ortaklaşa geliştirilen sentetik OLTA-TR veri seti kullanılmıştır. Cialdini'nin ikna prensiplerine dayanan bu Türkçe veri seti, modellerin sadece statik kelimeleri filtrelemek yerine doğrudan manipülatif niyeti tanımasını sağlar. Uç nokta güvenliği genellikle modellerin yerel olarak çalıştırılmasını gerektirdiğinden, donanım kısıtlamaları QLoRA ince ayar ve 4-bit niceleme yöntemleriyle aşılmıştır. MeAJOR arşivi ve OLTA-TR'yi birleştiren deneysel sonuçlar, üretken modellerin sürekli olarak bir yardımsever yapay zeka yanlılığı gösterdiğini kanıtlamaktadır. Bu yanlılık format hatalarına yol açarken, üretken modellerin otoregresif yapısı otomatik iş akışlarında kritik gecikmelere neden olmuştur. Buna karşılık, daha küçük sınıflandırma modelleri format kurallarına tam olarak uymuş ve saniyenin altında işlem yapabilmiştir. Özellikle mmBERT modeli %99.49 Macro F1-Skoru elde ederek, etkili kimlik avı e-postası tespitinin dile özgü dilbilgisinden ziyade psikolojik niyeti tanımaya dayandığını göstermiştir. Bu modellerin kararlarını nasıl aldığını açıklamak için çift katmanlı yorumlanabilirlik çerçevesi sunulmuştur. Sonuç olarak, üretken modeller esnek olsa da, sınıflandırma modelleri gerçek zamanlı kurumsal savunma için çok daha güvenilir bir yöntem sunmaktadır.