Yazar "Alhajahmad, Bashar" seçeneğine göre listele
Listeleniyor 1 - 4 / 4
Sayfa Başına Sonuç
Sıralama seçenekleri
Öğe DHCP Snooping ve Port Güvenliği Kullanılarak MITM Saldırılarına Karşı Switch Güvenliğinin İyileştirilmesi(Adem KORKMAZ, 2025) Alhajahmad, BasharBu çalışma, Dinamik Ana Bilgisayar Yapılandırma Protokolü (DHCP) üzerindeki güvenlik açıklarını incelemekte ve saldırganların güvenilir portları kötüye kullanması durumunda DHCP Snooping tekniğinin sınırlılıklarına odaklanmaktadır. DHCP sahtekarlığı (spoofing) saldırılarını tespit ve engellemek amacıyla, DHCP Snooping ile Port Security’nin entegre edildiği geliştirilmiş bir yöntem önerilmektedir. Yazılım Tanımlı Ağ (SDN) veya makine öğrenmesi tabanlı çözümler ileri düzey altyapı gerektirirken, önerilen yöntem hafif, düşük maliyetli ve işletme ile eğitim ağlarında yaygın olarak kullanılan geleneksel Katman 2 anahtarlarında uygulanabilir niteliktedir. DHCP Snooping, anahtar portlarını güvenilir veya güvenilir olmayan olarak sınıflandıracak şekilde yapılandırılmış, Port Security ise MAC adresi doğrulamasına dayalı erişim kısıtlaması getirmiştir. Bu entegrasyon, özellikle geleneksel DHCP Snooping’in yetersiz kaldığı güvenilir portlar üzerinden gerçekleştirilen saldırıları etkili bir şekilde engellemiştir. Simülasyon sonuçları, DHCP Snooping ile Port Security’nin birlikte kullanımının, port düzeyinde MAC tabanlı kimlik doğrulama sağlayarak ağ güvenliğini önemli ölçüde güçlendirdiğini göstermektedir. Yöntem, yalnızca yetkili DHCP sunucularının istemci taleplerine yanıt vermesini garanti etmekte, güvenilir portların istismarını önlemekte ve ağ performansında herhangi bir düşüşe yol açmamaktadır. Bulgular, ek donanım veya karmaşık algılama sistemlerine gerek duymadan ağ bütünlüğünü artırmada yöntemin etkinliğini ve uygulanabilirliğini ortaya koymaktadır.Öğe Fortifying Network Security: A Machine Learning-Based Approach to Improving DHCP Snooping(Murat Yakar, 2026) Alhajahmad, BasharDynamic Host Configuration Protocol (DHCP) spoofing remains a critical security threat in modern networks, particularly when attackers exploit the assumption that traffic from trusted ports is always legitimate. Conventional DHCP Snooping mechanisms are unable to detect rogue servers connected to trusted interfaces, leaving networks vulnerable to man-in-the-middle and denial-of-service attacks. To address this overlooked weakness, we propose a machine learning–based enhancement to DHCP Snooping. A custom dataset was generated from simulated DHCP traffic, capturing relevant protocol-level features while excluding trivial identifiers such as MAC addresses to ensure fair evaluation. Multiple classifiers—including Logistic Regression, Naive Bayes, Decision Tree, K-Nearest Neighbors, Support Vector Machine, Random Forest, and Gradient Boosting Trees—were implemented and evaluated using k-fold cross-validation. The results demonstrate that ensemble models achieved superior performance, with Random Forest and Gradient Boosting Trees reaching up to 100.0% accuracy on the full dataset and maintaining above 96.0% accuracy, precision, recall, and F1-score even when MAC-based features were excluded. Confusion matrix analysis further confirmed their robustness in distinguishing spoofed from legitimate traffic. In addition, we compared our models against a rule-based baseline resembling conventional DHCP Snooping, which achieved only ~70–75% detection accuracy. Finally, deployment considerations such as latency, model size, and fail-safe behavior are discussed, and the dataset and workflow are made available to support reproducibility. These contributions establish a practical and adaptive framework for strengthening DHCP Snooping against spoofing attacks in real-world networks. © Author(s) 2026.Öğe Kalp Hastalığı Tahmininde Açıklanabilir Yapay Zekâ: KNIME Tabanlı, Veri Sızıntısı Önlenmiş ve Çapraz Doğrulanmış Karşılaştırmalı Bir Çerçeve(Tekirdağ Namık Kemal Üniversitesi, 2026) Kaya, Muhammed Yusuf; Alhajahmad, BasharKalp ve damar hastalıkları, dünya genelinde en yüksek ölüm yüküne sahip hastalık grubudur. Bu çalışmada, kalp hastalığı tahmini için KNIME Analytics Platform üzerinde uçtan uca, kodsuz biçimde yapılandırılmış bir Açıklanabilir Yapay Zekâ (XAI) iş akışı geliştirilmiştir. UCI Cleveland Heart Disease veri seti üzerinde Lojistik Regresyon, Random Forest, Gradyan Artırmalı Ağaçlar ve XGBoost modelleri 10 katlı tabakalı çapraz doğrulama ile karşılaştırılmıştır. Önceki çalışmalardan farklı olarak çerçeveye üç metodolojik önlem birlikte yerleştirilmiştir: (i) nominal kategorik değişkenler Tek-Sıcak Kodlama ile dönüştürülmüş, (ii) Min-Max normalizasyonu her katlamada yalnızca eğitim parçası üzerinde öğrenilerek veri sızıntısı önlenmiş, (iii) XGBoost için sistematik hiperparametre değerlendirmesi yürütülmüştür. En yüksek başarı Lojistik Regresyon’dan gelmiştir (Doğruluk = 0,845 ± 0,065; AUC = 0,908). Wilcoxon testi Lojistik Regresyon ile Random Forest ve XGBoost arasındaki farkın anlamlı olmadığını (p = 0,891 ve p = 0,188) göstermiştir. Yorumlanabilirlik iki ayrı pencere üzerinden ele alınmıştır: Lojistik Regresyon katsayıları ve XGBoost üzerinde SHAP analizi. İki yöntemin altı ortak öznitelikte buluşması, öznitelik hiyerarşisinin algoritmik bir artefakt değil veri setindeki gerçek klinik sinyallere ait olduğunu yöntemsel üçleme yoluyla doğrulamıştır.Öğe On the recoverability of cognitive levels in educational text: a multi-task transformer analysis(Springer Heidelberg, 2026) Alhajahmad, BasharArtificial intelligence systems have demonstrated strong performance in educational reasoning and classification tasks; however, the extent to which transformer-based representations encode structured cognitive abstractions remains insufficiently understood. This study investigates the recoverability of cognitive levels from educational question-answer text using a Cognitive-Conditioned Multi-Task Transformer (CC-MTT) framework. To ensure methodological rigor, a leakage-controlled dataset reconstruction pipeline was developed using question-level partitioning and majority-vote label stabilization. The proposed framework jointly models reasoning and cognitive classification, enabling analysis of predictive performance, representational structure, and stability across multiple random seed initializations. Experimental results show that fine-grained Bloom taxonomy levels remain only weakly recoverable from text-only representations, achieving performance close to random baseline under leakage-controlled evaluation. In contrast, hierarchical abstraction (higher-order vs. lower-order thinking) consistently achieved higher predictive recoverability across multiple runs, although quantitative geometry analysis revealed limited cluster separability in the learned embedding space. Statistical analysis further indicated a consistent trend toward improved binary abstraction performance compared with fine-grained categorization, despite the absence of strong statistical significance under Wilcoxon testing. These findings suggest that coarse-grained cognitive abstraction may be partially encoded in transformer representations, while fine-grained pedagogical categories remain structurally difficult to recover from textual representations alone. The study provides methodological and analytical insights for the development of more reliable AI-driven educational assessment systems.
