Yapay Zeka Çağında Bilgisayar Ağları Yönetimi ve Güvenliği
DOI:
https://doi.org/10.5281/zenodo.18213751Anahtar Kelimeler:
Büyük veri- Yapay zeka- Ağ güvenliği- Ağ yönetimiÖzet
Veri miktarının artmasına bağlı olarak, yapay zekanın bilgisayar ağlarıyla olan etkileşimi çok sayıda yeniliğe yol açtı. Ağlar üzerinde büyük miktarda veri akışı, toplumu ileriye taşıyan bir yenilik olarak karşımıza çıktı. Modern toplumda bilgi iletimi ve işlenmesi için önemli bir yöntem olan bilgisayar ağ teknolojisi, muazzam dönüşümler geçirmektedir. Büyük veri kavramı, ağ mimarisi, protokoller ve hatta güvenlik önlemleri için benzeri görülmemiş zorluklar ve fırsatları beraberinde getirmektedir. Aynı zamanda, yapay zeka teknolojilerinin hızla ilerlemesi bu olguyu daha da güçlendirmektedir. Ağ güvenliğinin ve yönetiminin her aşaması, yapay zekanın sunduğu verimliliği ve akıllı çözümleri kullanmaya başlamıştır. Bu sinerji, ağ teknolojisini geleneksel sınırların ötesine taşımakta ve daha fazla zeka ve verimlilik vaat eden bir geleceğe doğru ilerlemektedir.
Referanslar
Altunay, H. C. (2024). Analysis of cyber attacks using honeypot. Black Sea Journal of Engineering and Science, 7(5), 954–959. https://doi.org/10.52704/bsscience.1481075
Altunay, H. C. (2025, April 24–25). Dijital ekonomi ve blok zinciri uygulamaları [Bildiri sunumu]. 5. Uluslararası Yapay Zeka ve Veri Bilimi Kongresi, İzmir, Türkiye.
Altunay, H. C., & Albayrak, Z. (2024). SMS spam detection system based on deep learning architectures for Turkish and English messages. Applied Sciences, 14(24), 11804. https://doi.org/10.3390/app142411804
Balbix. (2021). Balbix BreachControl. https://www.balbix.com/product-overview/
Balduzzi, M., & Maggi, F. (2017, September 14). DefPloreX: A machine-learning toolkit for large-scale eCrime forensics. Trend Micro. https://blog.trendmicro.com/trendlabs-security-intelligence/defplorex-machine-learning-toolkit-large-scale-ecrime-forensics/
Calix, R. A., Singh, S. B., Chen, T., Zhang, D., & Tu, M. (2020). Cyber security tool kit (CyberSecTK): A Python library for machine learning and cyber security. Information, 11(2), 100. https://doi.org/10.3390/info11020100
Demertzis, K., & Iliadis, L. (2015). A bio-inspired hybrid artificial intelligence framework for cyber security. In N. Daras & M. Rassias (Eds.), Computation, cryptography, and network security (pp. 161–193). Springer. https://doi.org/10.1007/978-3-319-18275-9_7
Effah, E. Q., Osei, E. O., Jnr, M. D., & Tetteh, A. (2024). Hybrid approach to classification of DDoS attacks on a computer network infrastructure. Asian Journal of Research in Computer Science, 17(4), 19–43. https://doi.org/10.9734/ajrcos/2024/v17i4427
FireEye. (2020). StringSifter: A machine learning tool that ranks strings based on their relevance for malware analysis [Computer software]. GitHub. https://github.com/mandiant/stringsifter
IBM. (2021). QRadar Advisor with Watson. https://www.ibm.com/in-en/products/cognitive-security-analytics
Lacava, A., Bonati, L., Mohamadi, N., Gangula, R., Kaltenberger, F., Johari, P., & Melodia, T. (2025). dApps: Enabling real-time AI-based Open RAN control. Computer Networks, 254, 111342. https://doi.org/10.1016/j.comnet.2024.111342
Lin, Y. (2024). Application and challenges of computer networks in distance education. Computer Performance and Communication Systems, 8(1), 17–24.
Madrid, S. (2020). Juniper strengthens connected security portfolio with new risk-based access control capabilities and remote access VPN. Juniper Networks. https://blogs.juniper.net/en-us/security/juniper-strengthens-connected-security-portfolio-with-new-risk-based-access-control-capabilities-and-remote-access-vpn
Marino, D. L., Wickramasinghe, C. S., Rieger, C., & Manic, M. (2025). Self-supervised and interpretable anomaly detection using network transformers. IEEE Transactions on Industrial Informatics, 21(5), 4252–4261. https://doi.org/10.1109/TII.2024.3414920
Newman, L. H. (2018). AI can help cybersecurity—If it can fight through the hype. Wired. https://www.wired.com/story/ai-machine-learning-cybersecurity
Nowroozi, E., Haider, I., Taheri, R., & Conti, M. (2025). Federated learning under attack: Exposing vulnerabilities through data poisoning attacks in computer networks. IEEE Transactions on Network and Service Management, 22(1), 822–831. https://doi.org/10.1109/TNSM.2024.3444055
Qiao, W. (2025). Comprehensive framework for collaborative decision-making in evaluating computer network security using interval neutrosophic information. Neutrosophic Sets and Systems, 76, 520–537.
Sophos. (2020). Intercept X: Stop unknown threats. https://www.sophos.com/en-us/products/intercept-x
Symantec. (2018). Targeted attack analytics. Broadcom. https://docs.broadcom.com/doc/targeted-attack-analytics-en
Vectra AI. (2021). Cognito Platform: Network detection and response built on artificial intelligence. https://www.vectra.ai/products/cognito-platform
Yao, K., Pan, F., Liang, H., Zhang, X., Li, L., Song, L., & Lu, W. (2025). Shifting d‐band center: An overlooked factor in broadening electromagnetic wave absorption bandwidth. Advanced Functional Materials, 35(3), 2413639. https://doi.org/10.1002/adfm.202413639
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Black Sea Journal of Artificial Intelligence
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
