<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Sena Ekmen on Medium]]></title>
        <description><![CDATA[Stories by Sena Ekmen on Medium]]></description>
        <link>https://medium.com/@senafirdevs.ekmen47?source=rss-f37c0f555132------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*6pdjPhOY3vRiqBY0Tjjw7A.jpeg</url>
            <title>Stories by Sena Ekmen on Medium</title>
            <link>https://medium.com/@senafirdevs.ekmen47?source=rss-f37c0f555132------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 11:45:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@senafirdevs.ekmen47/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[YAPAY ZEKA - İNSAN PSİKOLOJİSİ:]]></title>
            <link>https://medium.com/@senafirdevs.ekmen47/yapay-zeka-i%CC%87nsan-psi%CC%87koloji%CC%87si%CC%87-a693962cd4c2?source=rss-f37c0f555132------2</link>
            <guid isPermaLink="false">https://medium.com/p/a693962cd4c2</guid>
            <dc:creator><![CDATA[Sena Ekmen]]></dc:creator>
            <pubDate>Sat, 21 Jun 2025 17:09:01 GMT</pubDate>
            <atom:updated>2025-06-21T17:09:01.976Z</atom:updated>
            <content:encoded><![CDATA[<h4>Yapay Zekâ Düşünürken Biz Neyi Unutuyoruz?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/733/1*cbXSdSD8wxPoel5rLewBTg.jpeg" /></figure><p>Günlük hayatta yapay zekayı sıklıkla kullanır, neyi nasıl yapacağımızı konu farketmeksizin ona danışırız. Bu sadece ChatGBT için geçerli değil, telefonumuzdaki öneri videoları, Netflix’te &quot;senin için önerilenler&quot; diye karşımıza çıkan filmler, Trendyolda &quot;bunları da beğenebilirsin&quot; Ürün gösterimleri, İnstagram’daki reklamlar... <br>Hepsi, bir şekilde bizi tanımaya çalışan ve zamanla bizden daha iyi tanıyan bir zekanın ürünü diyebiliriz.</p><p>Yapay zekâ hayatımızı kolaylaştırıyor, evet.<br>Ama bazen şunu da sorguluyorum:</p><p><em>Bizi kolaylaştırırken, acaba bizden bir şeyler alıyor mu?<br>Düşünmemizi, hissetmemizi, kendi iç sesimizi duymamızı...</em></p><p>Çünkü artık bir şeye karar vermeden önce çok fazla düşünmeye ihtiyaç duymuyoruz.<br>&quot;Ne izlesem?&quot; diye düşündüğümüz anda öneri listesi hazır.<br>&quot;Ne yazsam?&quot; diye oturduğumuzda, kelimeler bile bizim yerimize dökülüyor.</p><p>Bu kadar kolaylık içinde, acaba duygularımızı nereye koyuyoruz?<br>Çözülen teknik sorunların ardında, çözülmemiş duygular birikiyor olabilir mi?</p><p>Niçin böyle söylediğimi hemen açıklayayım;</p><p>Bazen insanlar şöyle diyor:</p><p>“<em>İnsanlara anlatamadıklarımı ChatGPT’ye yazıyorum</em>”</p><p>Bir bakıma iyi geliyor. Yargılanmadan dinlenmek gibi.<br>Ama karşındaki seni gerçekten anlayabiliyor mu, yoksa sadece iyi taklit mi ediyor?</p><p>Bu, insan beyninin çelişkisi aslında:<br>Yalnız kalmamak için bir makineyle konuşmak.<br>Çünkü insanlar yoruyor, yapay zekâ ise sabırlı.<br>Ama bu sabrın ardında anlayış yok, sadece kodlar var.</p><p>Gerçekten dinleniyor muyuz, yoksa sadece duygularımızı bir ekrana mı anlatıyoruz?</p><h3><em>Karar Veriyor Gibi Yapmak</em></h3><p>Ne izlemek istediğimize, ne giyeceğimize, hatta bazen ne hissedeceğimize bile biz karar vermiyoruz artık.<br>Algoritmalar bizden hızlı davranıyor bu noktada.<br>Birkaç tıkla tanımlanıyoruz ve sunulanları kabul ediyoruz.</p><p>&quot;Ben bunu seçtim&quot; dediğimiz şey aslında seçilmemiz için önceden ayarlanmış olabilir mi?</p><p>Zamanla kendi tercihimize olan güvenimiz azalıyor.<br>Kendi iç sesimizi duymak yerine, dışarıdan gelen önerileri takip ediyoruz yani kendi tercihimizi düşünmek yerine önerilen algoritmaları kabul ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/701/1*XcS8hr2_vVikBqQUjCGCPw.jpeg" /></figure><h4>Yapay Zekâyla Kendini Kıyaslamak</h4><p>Yapay zekâ içerik üretiyor, şiir yazıyor, kod yazıyor, resim çiziyor.<br>Ve biz ister istemez karşılaştırıyoruz.</p><p>“Ben niye bu kadar uzun düşündüm de o 10 saniyede yaptı?”</p><p>“Benim yazdığım bu kadar etkileyici değil…”</p><p>“Ben yetersiz miyim?”</p><p>kendimden örnek verecek olursam bir tasarım şablonu için saatlerce uğraşırken işin içinden çıkamayınca AI görseli oluşturturduğumda ‘bu kadar mıydı?, bunu mu düşünemedim?’ diye kendi kendimi zorbalıyorum. <br>İnsanla makinenin karşılaştırıldığı yerde, insan genellikle eksik hissediyor.<br>Bu da psikolojik olarak yıpratıcı bir süreci beraberinde getiriyor.</p><h4>Gerçek ve Gerçeklik Arasındaki Mesafe</h4><p>Deepfake videolar, yapay zekâ ile yazılmış metinler, simülasyonlar...<br>Gerçek ile kurgu arasındaki fark gün geçtikçe silikleşiyor.</p><p>Bizi takip eden uygulamalar, bizi tanıyan algoritmalar, bizim için karar veren sistemler…<br>Tüm bu yapay düzenin içinde gerçek ben kimim? sorusu bile flu hale geliyor.</p><p>Ve bu bulanıklık, özellikle bizim gibi sektöre yeni adım atan gençler için kimlik karmaşasına, güven sorunlarına ve bazen de yalnızlık hissinin derinleşmesine neden oluyor.</p><h4>Nasıl Dengede Kalmalı?</h4><p>Yapay zekâ bir tehdit değil, ama bir sınav olabilir.<br>Bizim insan olarak hangi yönümüzü korumamız gerektiğini hatırlatan bir uyarı gibi belki de.</p><p>Çünkü yapay zeka hızlı olabilir ama sabırsızlığı anlayamaz.</p><p>Doğru cevaplar verebilir ama ne hissettiğimizi anlayamaz.</p><p>Yazabilir ama acıyı, sevinci, içtenliği yaşayamaz.</p><p>İnsan olmanın kıymeti belki de tam burada başlıyor..</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a693962cd4c2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka ve DLP Sistemleri]]></title>
            <link>https://happyhackingspace.blog/yapay-zeka-ve-dlp-sistemleri-08e8e9db088f?source=rss-f37c0f555132------2</link>
            <guid isPermaLink="false">https://medium.com/p/08e8e9db088f</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[dlp]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[veri-güvenliği]]></category>
            <dc:creator><![CDATA[Sena Ekmen]]></dc:creator>
            <pubDate>Fri, 07 Mar 2025 14:04:54 GMT</pubDate>
            <atom:updated>2025-03-07T14:04:54.637Z</atom:updated>
            <content:encoded><![CDATA[<p>DLP (Data Loss Prevention); Bir ağ yöneticisi tarafından kullanıldığında- hassas verilere yetkisiz kullanıcılar tarafından erişilmesini, bu verilerin kötüye kullanılmasını ve kaybedilmesini önlemek için kullanılan araç veya stratejiler bütünüdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XxWiSIEvygziWfHeB7mMOQ.jpeg" /></figure><p>DLP ile kullanıcılar hassas veya kritik bilgileri kuruluşun ağının dışına göndermezler. Ağ kullanıcıları, ağın ait olduğu kuruluşa zarar verebilecek verileri yanlışlıkla veya kötü niyetle paylaşma olasılığına sahiptir. Örnek olarak, iş e-postalarını kurumsal etki alanının dışına iletmek veya hassas dosyaları Dropbox gibi ticari bir bulut depolama hizmetine yüklemek verilebilir. Şirket içi ulaşılmak istenen verilerin kim tarafından, hangi amaçla ve yetki ile ulaşılabilirliğini sorgulayarak verilerin sızdırılmasını önler. DLP yazılımı, ister iş açısından kritik, ister gizli veya yasal düzenlemelere tabi olsun, hassas verileri kategorize eder ve korur.</p><p>Günümüzde veri ihlalleri giderek yaygınlaşmakta ve büyük bir tehdit oluşturmaktadır. Bu noktada, Veri Kaybı Önleme (DLP — Data Loss Prevention) sistemleri, kurumsal bilgi güvenliğinin temel taşı haline gelmiştir. Son yıllarda Yapay Zeka (AI — Artificial Intelligence) teknolojilerinin bu sistemlere entegre edilmesi, DLP’nin çok daha etkili ve esnek bir yapıya kavuşmasını sağlamıştır. Özellikle AI destekli veri sınıflandırma teknikleri, hassas bilgilerin korunmasında devrim niteliğinde ilerlemeler sunmaktadır. Bu makalede, DLP ve AI’nın DLP sistemlerine entegrasyonuna veri sınıflandırmalarına ve bu teknolojinin getirdiği yeniliklere değineceğiz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/780/1*82J1lqQsPx2H977K-bK6iQ.jpeg" /></figure><p><strong>DLP’de Veri Sınıflandırmanın Temel Rolü</strong></p><p>DLP sistemleri, hassas verileri belirlemek, korumak ve yetkisiz erişimi önlemek amacıyla kullanılır. Geleneksel DLP yöntemleri, belirli kurallar ve önceden tanımlanmış desenleri kullanarak verileri algılar. Ancak, büyük hacimli ve karmaşık verileri işleme konusunda bu yöntemler zaman zaman yetersiz kalabilmektedir. İşte burada yapay zeka devreye girerek, veri sınıflandırma sürecini daha akıllı, esnek ve dinamik hale getirir.</p><p><strong>İçerik Tabanlı Sınıflandırma</strong></p><p>Belirli anahtar kelimeler, düzenli ifadeler (regex) veya veri desenleri kullanılarak veri sınıflandırılır. Belgelerin ve e-postaların içerikleri analiz edilerek hassas veri içeriği tespit edilir. Hassas verilere yetkisiz erişimi tespit etmek ve engellemek için fingerprinting kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*edOwTU_FTLNUEP5Bu-za_w.jpeg" /></figure><p><strong>Kontekst Tabanlı Sınıflandırma</strong></p><p>Meta Veriler: Dosya türleri, yazar bilgileri, oluşturma tarihi gibi meta veriler kullanılarak sınıflandırma yapılır.</p><p>Kullanıcı ve Grup Bilgileri: Veriyi oluşturan veya erişen kullanıcıların kimlikleri ve rolleri dikkate alınır.</p><p><strong>Kullanıcı Davranışı Tabanlı Sınıflandırma</strong></p><p>Kullanıcı davranışları izlenerek anormal aktiviteler tespit edilir. Örneğin, bir kullanıcının aniden büyük miktarda veri indirmesi şüpheli olarak değerlendirilebilir.</p><p>Erişim Modelleri: Kullanıcıların normal erişim modelleri belirlenir ve bu modellerden sapmalar izlenir.</p><p><strong>Yapay Zeka Destekli Veri Sınıflandırma</strong></p><p>Veri sınıflandırma, verilerin hassasiyet düzeyine ve içeriğine göre kategorilere ayrılması işlemi olarak tanımlanabilir. Bu süreç, veri güvenliği, erişim kontrolü ve mevzuata uyum sağlamak için kritik bir öneme sahiptir. Geleneksel yöntemlerde sınıflandırma genellikle statik kurallar ve düzenli ifadelerle yapılırken, yapay zeka bu süreci otomatikleştirerek çok daha esnek hale getirir.</p><p><strong>Makine Öğreniminin Rolü</strong></p><p>Makine öğrenimi modelleri, büyük veri setleri üzerinde eğitilerek farklı veri türlerini algılayabilir ve bu verilere ilişkin desenleri tanıyabilir. AI destekli DLP sistemlerinde makine öğrenimi aşağıdaki kritik faydaları sunar:</p><ol><li><strong>İleri Düzey Desen Tanıma</strong></li></ol><ul><li>AI, insan gözüyle fark edilmesi zor olan kompleks desenleri algılayabilir.</li><li>Farklı formatlardaki verileri tarayarak hassas bilgileri çok daha yüksek bir doğruluk oranıyla belirleyebilir.</li></ul><ol><li><strong>Bağlamsal Analiz</strong></li></ol><ul><li>Yapay zeka, verilerin yalnızca içeriğine değil, kullanım bağlamına da bakarak hassasiyet düzeyini belirleyebilir.</li><li>Doğal Dil İşleme (NLP) sayesinde yanlış pozitif ve yanlış negatif oranlarını azaltabilir.</li></ul><ol><li><strong>Uyarlanabilir Öğrenme</strong></li></ol><ul><li>AI, zamanla daha fazla veri analiz ettikçe kendini geliştirir ve daha iyi sınıflandırma yapar.</li><li>Veri kullanımındaki yeni trendleri ve tehditleri fark ederek dinamik olarak uyum sağlar.</li></ul><ol><li><strong>Gerçek Zamanlı İşleme</strong></li></ol><ul><li>AI destekli DLP sistemleri, veri sınıflandırma ve koruma işlemlerini anlık olarak gerçekleştirir.</li><li>Bu sayede veri sızıntılarının oluşmadan önlenmesi sağlanır.</li></ul><ol><li><strong>Ölçeklenebilirlik</strong></li></ol><ul><li>Kurumlar büyüdükçe veri miktarı da artar. Yapay zeka, artan veri hacimlerini verimli bir şekilde işleyebilir.</li><li>Kaynak kullanımını optimize ederek performans kaybı yaşamaz.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GeSVRLTDmWOxC62cYll24w.jpeg" /></figure><p><strong>PARMAK İZİ</strong></p><p>Bir veri setinin benzersiz bir dijital kimlik oluşturmasını sağlar. Bu, verilerin içeriği analiz edilerek ve bir hash (dijital parmak izi) oluşturularak gerçekleştirilir. Bu dijital parmak izi, verinin herhangi bir yerde tekrar kullanılması durumunda tanımlanmasını kolaylaştırır.</p><p><strong>Fingerprinting Türleri</strong></p><p>Statik Parmak İzi</p><p>Hash Fonksiyonları: MD5, SHA-1 gibi hash fonksiyonları kullanılarak verinin benzersiz bir dijital parmak izi oluşturulur. Bu yöntem, verinin içeriği değişmediği sürece aynı hash değerini üretir.</p><p>Checksum: Dosyaların bütünlüğünü doğrulamak için kullanılan bir yöntemdir. Verinin belirli bir algoritma kullanılarak hesaplanan toplam değeri, fingerprint olarak kullanılır.</p><p>MD5 (Message-Digest Algorithm 5): MD5, bir veri parçasından 128-bitlik (16 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, checksum hesaplamalarında kullanılır fakat artık güvenli kabul edilmemektedir çünkü hash çakışmaları (iki farklı veri parçasının aynı hash değerini üretmesi durumu) kolayca bulunabilmektedir.</p><p>SHA-1 (Secure Hash Algorithm 1) Ta: SHA-1: Bir veri parçasından 160-bitlik (20 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, dijital imzalar, sertifika otoriteleri gibi alanlarda kullanılır fakat o da artık güvenli kabul edilmemektedir. 2005&#39;ten bu yana çeşitli güvenlik açıkları ve çakışma bulma yöntemleri keşfedilmiştir.</p><p>SHA-256 (Secure Hash Algorithm 256-bit): 256-bitlik (32 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, dijital imzalar, sertifika otoriteleri, kripto para birimleri (örneğin Bitcoin) gibi birçok alanda kullanılabilir. SHA-256, günümüzde güvenli kabul edilmektedir ve geniş çapta kullanılmaktadır. SHA-1 ve MD5&#39;e kıyasla çok daha güçlüdür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NRq-a4_-pHu8GrPYCjpyVw.jpeg" /></figure><p><strong>Dinamik Parmak İzi</strong></p><p>Makine Öğrenmesi ve AI: Makine öğrenmesi algoritmaları ve yapay zeka kullanılarak dinamik fingerprinting yapılabilir. Bu, verilerin içeriklerini ve kullanımlarını analiz ederek benzersiz kimlikler oluşturur.</p><p>Davranışsal Fingerprinting: Kullanıcıların veya sistemlerin belirli veri parçalarıyla nasıl etkileşimde bulunduğunu analiz ederek fingerprinting yapılır. Bu, daha karmaşık ve dinamik veri tespitine olanak tanır.</p><p><strong>Fingerprinting Süreci</strong></p><p>· Veri Toplama: Fingerprinting yapılacak veri toplanır ve analiz edilir.</p><p>· Hash Oluşturma: Verinin içeriklerine dayanarak bir hash değeri oluşturulur.</p><p>· Veri Depolama: Oluşturulan hash değerleri güvenli bir şekilde depolanır ve referans alınır.</p><p>· İzleme ve Tespit: DLP sistemleri, verinin nerede ve nasıl kullanıldığını izler ve oluşturulan hash değerleriyle karşılaştırarak hassas verileri tespit eder.</p><p>· Raporlama ve Müdahale: Tespit edilen ihlaller raporlanır ve gerekli müdahaleler yapılır.</p><p>Fingerprinting sayesinde, DLP sistemleri verinin içeriğini değiştirilmiş olsa bile izleyebilir. Bu, özellikle dosyaların yeniden adlandırıldığı ya da kısmen değiştirildiği durumlarda büyük fayda sağlar.</p><p><strong>AI Destekli DLP Sistemlerinde Karşılaşılan Zorluklar ve Çözümler</strong></p><ol><li><strong>Veri Gizliliği</strong></li></ol><ul><li>Veri maskeleme ve anonimleştirme yöntemleri kullanılmalıdır.</li><li>Erişim kontrolleri ve şifreleme önlemleri uygulanmalıdır.</li></ul><ol><li><strong>Önyargı ve Doğruluk</strong></li></ol><ul><li>AI modellerinin eğitildiği veri setleri çeşitlendirilerek önyargı riskleri azaltılmalıdır.</li><li>Eğitim verisi sürekli güncellenmelidir.</li></ul><ol><li><strong>Şeffaflık ve Hesap Verebilirlik</strong></li></ol><ul><li>AI kararlarının açıklamaları insanlar tarafından anlaşılabilir hale getirilmelidir.</li><li>AI sistemlerinin kararları düzenli olarak denetlenmelidir.</li></ul><ol><li><strong>Etik ve Yasal Uyumluluk</strong></li></ol><ul><li>AI kullanımına yönelik etik ilkeler belirlenmelidir.</li><li>Yerel ve uluslararası veri koruma yasalara uyulmalıdır.</li></ul><p>Yapay zeka destekli DLP sistemleri, hassas verilerin korunmasında devrim niteliğinde iyileşmeler sağlamaktadır. Ancak, bu sistemlerin başarılı bir şekilde uygulanabilmesi için gizlilik, doğruluk ve etik kuralların dikkatlice ele alınması gerekmektedir. AI, siber güvenlik dünyasında kritik bir yenilik olarak varlığını sürdürecektir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=08e8e9db088f" width="1" height="1" alt=""><hr><p><a href="https://happyhackingspace.blog/yapay-zeka-ve-dlp-sistemleri-08e8e9db088f">Yapay Zeka ve DLP Sistemleri</a> was originally published in <a href="https://happyhackingspace.blog/">Happy Hacking Space</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SIEM - SOAR]]></title>
            <link>https://medium.com/@senafirdevs.ekmen47/siem-soar-446bd3cc71c9?source=rss-f37c0f555132------2</link>
            <guid isPermaLink="false">https://medium.com/p/446bd3cc71c9</guid>
            <category><![CDATA[dashboard]]></category>
            <category><![CDATA[firewall]]></category>
            <category><![CDATA[siem]]></category>
            <category><![CDATA[soar]]></category>
            <dc:creator><![CDATA[Sena Ekmen]]></dc:creator>
            <pubDate>Sat, 23 Nov 2024 14:17:35 GMT</pubDate>
            <atom:updated>2024-11-23T14:35:21.417Z</atom:updated>
            <content:encoded><![CDATA[<p>SİEM Nedir?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-kgyKd5sTIh3vrbSXWxfZA.png" /></figure><p>SIEM (Security Information And Event Management), Türkçe karşılığı” Güvenlik Bilgisi ve Onay İzleme Sistemi”dir. SIM ( Security Information Management) ve SEM ( Security Event Management) güvenlik teknolojilerinin birleşiminden ortaya çıkan sistemlerdir. Bu sistemler ile her iki güvenlik teknolojisi tek bir yerde toplanmıştır. Böylelikle güvenlik bilgisi ve onay izleme sistemi olan SIEM ortaya çıkmıştır.</p><p>SIEM, ağ ortamından çok büyük miktarda veri toplar(log), bu verileri birleştirir ve insanlar tarafından erişilebilir hale getirir. Verileri kategorilere ayırır ve düzenleyerek güvenlik kuralları yazmaya uygun hale getirir.</p><p>Yani SIEM sistemleri, potansiyel siber saldırılara hızlı bir şekilde yanıt verebilmeleri ve uyumluluk gereksinimlerini karşılayabilmeleri için kurumlara ağlarındaki faaliyetlere ilişkin görünürlük sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D4fS4lUxsF2oi49KbM-GtQ.jpeg" /></figure><p><strong>SIEM Nasıl Çalışır?</strong></p><p>Güvenlik sorununu belirten ve tüm sorunlar tespit edilip anlamlı bir hâle getirildiğinde analizlere dayalı uyarıları gösterme tüm veri kaynakları tarafından oluşturulan olay günlüklerini ve günlük verileri toplayarak çalışır.</p><p>Kullanıcılar, sunucular, ağ cihazları, IP’ler, uygulamalar ve güvenlik duvarları, bu olay günlüklerini gerçek amaçlar için birleştirmek, tanımlamak ve kategorilere ayırmak için tek bir merkezi sistemde toplanır.</p><p>SIEM ürünlerinde gerçek zamanlı logların izlenmesini kolaylaştıran dashboard denilen görsel tablolar mevcuttur. Loglara ait verilerden oluşan paneller vasıtasıyla analistler işlerini daha kolay yapmaktadırlar. Büyük boyutlardaki logları zamana endeksli okuyup anlamlandırmak zordur.</p><p>SIEM aracı bu zorluğu giderme üzerine de dashboardlar ile çözüm sunar. SIEM aracı üzerinde oluşturulan dashboard ekranlarının amacı aslında olası bir siber saldırıdan erken haberdar olmak ya da ortaya çıkan anormal durumun tespitini görsel anlamda kolaylaştırmaktır.</p><p><strong>SIEM ÇÖZÜMÜ NASIL UYGULANIR?</strong></p><p>İlk olarak SIEM dağıtımını tanımlama, ardından bir test çalıştırması yapma, veri toplama, bir olay yanıtı planına sahip olma ve SIEM’inizi geliştirmeye devam ederek uygulayabilirsiniz.</p><h4>DASHBOARDLAR</h4><p>Farklı kaynaklardan gelen günlük kayıtları farklı dashboardlar üzerinde yer alır. Özet veriler ile kurum bünyesinden gerçekleşen olayları, grafikler ve tablolar ile görmenize imkan tanımaktadır. Bu dashboardların bir çoğu ön tanımlı olarak gelir ve ilerleyen zamanlarda istenildiği gibi özelleştirilebilmektedir. Dashboardlar, kurum envanterinde günlük kayıtlarının gerçek zamanlı olarak izlemek için iyi bir yoldur. Bunları yapılandırması basit ve kullanıcı dostu olabilmektedir.</p><p><strong>SOC (security operation center-güvenlik operasyonları merkezi)</strong> Güvenliğinden sorumlu olduğumuz oluşumun güvenlik yapısını sürekli inceleyen güvenlik olaylarının analizini yapan ekibin bulunduğu merkezdir. Güvenlik süreçlerinin yönetilmesinden sorumludur. Burada gelen ataklara karşı aksiyonlar alınır. Öncelikle atağın tespit edilmesi, analiz edilmesi sonra da gerekli yanıtın verilmesi şeklinde</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*0hQozczWgF9lV4lGT1SAXA.jpeg" /></figure><p><strong>IoC (Indicator of compromise-ihlal göstergesi)</strong></p><p>Bir sistemdeki potansiyel kötü amaçlı etkinliği tanımlayan verilerdir. Veri ihlalleri, zararlı yazılım enfeksiyonları gibi tehditlerin tespit ve önlenmesinde kullanılır.</p><p>IoC’ler, güvenlik analistlerinin ve sistem yöneticilerinin, tehditleri hızlı bir şekilde tanımlamalarına ve bunlara yanıt vermelerine olanak tanır. Bu göstergeler, saldırının kaynaklarını, yöntemlerini ve potansiyel hedeflerini belirlemek için kullanılır. IoC’lerin toplanması ve analiz edilmesi, bir güvenlik olayına yanıt verme sürecinin önemli bir parçasıdır.</p><p>· Normal dışı DNS istekleri, processler, uygulamalar ve dosya indirme ya da değişiklikler</p><p>· Kaynaklara beklenmeyen sayıda erişimler</p><p>· Yönetici hesap hareketleri</p><p>· Malware’ler tarafından kullanılan URL URI adreslerine erişimler</p><p>· Beklenmeyen portların kullanımı</p><p>· Oltalama adreslere erişim</p><p>· Zararlı yazılım hash veya imzası</p><p>· Normal dışı boyutta HTTP istekleri</p><p>· Config dosyalarının değişimi</p><p>· Yüksek sayıda girişte denemesi olarak örneklendirebiliriz.</p><p>Tabii ki buradaki ihlal göstergesi örneklerini farklı farklı birçok şekilde de örneklendirebiliriz.</p><h4>EDR (Endpoint detection and response-uç nokta tehdit algılama ve yanıt)</h4><p>Uç nokta cihazlara yüklenerek zararlı aktivitelerin tespiti izlenmesi ve yanıt verilmesine olanak sağlayan güvenlik yazılımlarıdır.</p><p>· Cihazın internet bağlantılarını yönetme</p><p>· Cihazın durumunu yönetme (kapatma, uyku modu, bazı noktalarda kilit modu vb.)</p><p>· Bağlantıları, processleri ve dosya-dizin yapısını yönetme</p><p>· Log ve günlükleri toplama</p><p>· Cihaza uzak bağlantı oluşturarak gerekli response sürecinin yönetilmesi gibi imkanlar sunmakta.</p><p>Initial Access: Saldırganların bir sisteme veya ağa ilk giriş vektörüdür.</p><p>Güvenlik ihlali gerçekleşmiş bir web sunucu;</p><p>· File upload</p><p>· Sql injection</p><p>· Command injection</p><p>Güvenlik ihlali gerçekleşmiş bir son kullanıcı bilgisayarı;</p><p>· Oltalama mail</p><p>· Torrent</p><p>· Malware injection</p><h4>Real-time monitoring ve response</h4><p>Gerçekleşen bir atak esnasında tracking dediğimiz saldırganın sistemimize karşı ya da sistemimizde yaptığı hareketleri anlık olarak izleme imkanı sunar. Benzer şekilde atak sonrasında da bu incelemeleri yapmamıza olanak tanır.</p><p>1. Firewall tarafından tespit edilen bir DDOS atağını anlık olarak SIEM üzerinde takip edebiliriz.</p><p>2. Ip bazlı olan kaynaklardan gelen isteklerin boyutlarını listeleyerek saldırgan ıp adresini tespit etmemize yardımcı olur.</p><p>3. Henüz web sunucumuzun yükü artmadan atak olduğuna kanaat getirme sürecinde real-time olarak istekleri izleyebiliriz.</p><h4>SOAR (Security Orchestration, Automation, and Response)</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/629/1*-HxcBsUnnQsnMyidoJv5Kg.png" /></figure><p>Türkçe karşılığı “Güvenlik Düzenleme Otomasyon ve Yanıt” olan bu sistemler, farklı kaynaklardan gelen güvenlik verilerinin toplanması, düzenlenmesi, sınıflandırılması ve otomasyonunu sağlamak için oluşturulmuş sistemdir. SIEM’lerde farklı kaynaklardan gelen günlük verilerini toplarken SOAR’larda ise güvenlik verilerine yoğunlaşıyoruz. SOAR sistemleri devamlı gelen benzer ataklara harcanan eforların düşürülmesini sağlar. Dahili ve harici araçlara tek bir merkezden erişim sağlar. Response aşamasındaki bir çok süreci entegre edilmiş araçlar sayesinde otomatik sağlar.</p><h4>SOAR Avantajları Nelerdir?;</h4><p><strong>Hızlı yanıt</strong>: Tehditler ve olaylar anında tespit edilip yanıtlayabilir bu da potansiyel zararları minimize edilmesini sağlar. Tehditlerin yerleşik zamanlı olarak analiz edilmesi ve yanıt verilmesi sağlanır.</p><p><strong>Merkezi görünüm</strong>: SOC ekiplerinin tek bir arayüzden response süreçlerini yönetmesine imkan sağlar.</p><p><strong>Gelişmiş tehditlerle mücadele: </strong>Tehdit analiz özellikleri sayesinde karmaşık olayların çözülmesi ve tehditlerin ortadan kaldırılmasını sağlar ayrıca potansiyel tehditler hakkında önceden bilgi edinerek proaktif güvenlik önlemleri almayı sağlar.</p><p><strong>Gelişmiş raporlama ve analitik: </strong>Güvenlik olayları ve yanıtları hakkında detaylı raporlar sunar bu da stratejik karar alma süreçlerini etkiler. Güzellik operasyonlarının performansını izleyerek eksik iyileştirme alanlarını belirler.</p><h4>SIEM-SOAR Farkları</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*GGFYr9JBQQZ8sBTKvD76iw.jpeg" /></figure><p>Temelde veri kaynakları ve response başlıkları altında inceleyebiliriz.</p><p><strong>Veri kaynakları</strong>: SIEM çeşitli kaynaklardan gelen günlük verilerinden beslenir SOAR ise SIEM başta olmak üzere daha geniş bir alanda beslenir</p><p><strong>Response: </strong>SIEM önceden tanımlanmış kural ve korelasyonlara dayalı olarak alarm üretir. Analizler SOC analistleri tarafından yapılır, SOAR ise response süreçlerinin büyük bir kısmını otomatize şeklinde uygular.</p><h4>SOAR’ın Kullanım Alanları</h4><p>Güvenlik tehditlerini tespit etmek ve analiz etmek için kullanılabilir aynı zamanda güvenlik olaylarının hızlı ve etkin bir şekilde yönetilmesini sağlar. SOC operasyonlarının optimize edilmesini sağlar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=446bd3cc71c9" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[DLP: Data Loss Prevention— Veri kaybı önleme]]></title>
            <link>https://medium.com/@senafirdevs.ekmen47/dlp-veri-kayb%C4%B1-%C3%B6nlemesi-anlam%C4%B1na-gelmektedir-34bf59777db4?source=rss-f37c0f555132------2</link>
            <guid isPermaLink="false">https://medium.com/p/34bf59777db4</guid>
            <dc:creator><![CDATA[Sena Ekmen]]></dc:creator>
            <pubDate>Fri, 26 Jul 2024 23:29:01 GMT</pubDate>
            <atom:updated>2024-09-06T14:39:14.657Z</atom:updated>
            <content:encoded><![CDATA[<blockquote>DLP: Data Loss Prevention— Veri kaybı önleme</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*OD5t8tzzqC4lB9G6cVUZqA.jpeg" /></figure><p>DLP, Veri Kaybı Önlemesi anlamına gelmekte. Bir ağ yöneticisi tarafından kullanıldığında hassas verilere yetkisiz kullanıcılar tarafından erişilmesini, bu verilerin kötüye kullanılmasını ve kaybedilmesini önlemek için kullanılan araç veya stratejiler bütünüdür.</p><p>DLP ile kullanıcılar hassas veya kritik bilgileri kuruluşun ağının dışına göndermezler. Ağ kullanıcıları, ağın ait olduğu kuruluşa zarar verebilecek verileri yanlışlıkla veya kötü niyetle paylaşma olasılığına sahiptir. Örnek olarak, iş e-postalarını kurumsal etki alanının dışına iletmek veya hassas dosyaları Dropbox gibi ticari bir bulut depolama hizmetine yüklemek verilebilir. Şirket içi ulaşılmak istenen verilerin kim tarafından, hangi amaçla ve yetki ile ulaşılabilirliğini sorgulayarak verilerin sızdırılmasını önler. DLP yazılımı, ister iş açısından kritik, ister gizli veya yasal düzenlemelere tabi olsun, hassas verileri kategorize eder ve korur.</p><p>Günümüzde organizasyonlar, müşteri bilgileri, finansal veriler, fikri mülkiyet ve ticari sırlar gibi hassas verileri koruma ihtiyacı duymaktadır. Veri ihlalleri, büyük mali kayıplara, itibar kaybına ve yasal cezalara neden olabilir. DLP, bu tür riskleri minimize etmek için kritik bir araçtır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LDCsHFe1E1prJTQb96phmg.png" /></figure><p>DLP Çözümleri</p><p><strong>Veri Sınıflandırma: </strong>DLP çözümleri, verilerin türüne ve hassasiyetine göre sınıflandırılmasını sağlar. Bu, verilerin korunması gereken önceliği belirlemede yardımcı olur.</p><p><strong>İzleme ve Denetleme: </strong>Verilerin organizasyon içinde ve dışındaki hareketlerini izler ve denetler. Bu, veri akışlarının güvenli olup olmadığını sürekli kontrol eder.</p><p><strong>Politika Uygulama: </strong>DLP çözümleri, organizasyonun belirlediği güvenlik politikalarını otomatik olarak uygular. Örneğin, belirli türdeki verilerin e-posta yoluyla gönderilmesini engelleyebilir.</p><p><strong>Şifreleme: </strong>Hassas verilerin şifrelenmesi, yetkisiz erişim durumunda bile verilerin korunmasını sağlar.</p><p><strong>Veri Maskesi: </strong>Hassas verilerin belirli kısımlarını gizleyerek yetkisiz kullanıcıların bu verilere erişimini kısıtlar.</p><p>DLP Türleri</p><p><strong>Network DLP: </strong>Ağ üzerinde hareket eden verilerin korunmasını sağlar. Veri paketlerini analiz ederek hassas bilgilerin ağ dışına çıkmasını önler.</p><p><strong>Endpoint DLP</strong>: Kullanıcı cihazlarında bulunan verilerin korunmasını sağlar. Bu, masaüstü bilgisayarlar, dizüstü bilgisayarlar, mobil cihazlar ve diğer uç noktalar için geçerlidir.</p><p><strong>Storage DLP:</strong> Depolama alanlarında bulunan verilerin korunmasını sağlar. Bu veri tabanları, dosya sunucuları ve bulut depolama hizmetleri için geçerlidir.</p><p>DLP Kuralları</p><p><strong>Veri Tanımlama ve Sınıflandırma: </strong>DLP sistemleri, hassas verileri tanımlamak için belirli anahtar kelimeler, desenler veya imzalar kullanır. Örneğin, kredi kartı numaraları veya Sosyal Güvenlik Numaraları gibi belirli bilgi türlerini tanımlayabilirler.<strong> </strong>Sınıflandırma yaparken<strong> </strong>veriler, hassasiyet düzeylerine göre sınıflandırılır. Örneğin, “Halka Açık”, “Dahili Kullanım”, “Gizli” veya “Çok Gizli” gibi kategorilerde sınıflandırılabilir.</p><p><strong>Politika ve Kuralların Belirlenmesi: </strong>DLP politikaları, belirli veri türlerinin nasıl korunacağını belirler. Örneğin, müşteri bilgileri dışa aktarılmadan önce şifrelenmelidir.<strong> </strong>Kurallar ise, belirli işlemlerin nasıl yönetileceğini belirler. Örneğin, hassas verilerin e-posta yoluyla gönderilmesi engellenebilir.</p><p><strong>İzleme ve Denetleme: </strong>DLP sistemleri, veri akışlarını sürekli izler ve belirli kurallara aykırı hareketleri tespit eder.<strong> </strong>Tespit edilen ihlaller raporlanır ve gerekli aksiyonlar alınır.</p><p><strong>Önleme ve Müdahale: </strong>Hassas verilerin yanlış ellere geçmesini önlemek için gerekli önlemler alınır. Örneğin, belirli verilerin dışa aktarılması engellenebilir.<strong> </strong>Bir veri ihlali tespit edildiğinde, sistem otomatik olarak müdahale eder. Örneğin, şüpheli bir e-posta gönderimi engellenebilir.</p><p>DLP Sınıflandırmaları</p><p><strong>İçerik Tabanlı Sınıflandırma</strong></p><p>Belirli anahtar kelimeler, düzenli ifadeler (regex) veya veri</p><p>desenleri kullanılarak veri sınıflandırılır. Belgelerin ve e-postaların içerikleri analiz edilerek hassas veri içeriği tespit edilir. Hassas verilere yetkisiz erişimi tespit etmek ve engellemek için fingerprinting kullanılır.</p><p><strong>Kontekst Tabanlı Sınıflandırma</strong></p><p>Meta Veriler: Dosya türleri, yazar bilgileri, oluşturma tarihi gibi meta veriler kullanılarak sınıflandırma yapılır.</p><p>Kullanıcı ve Grup Bilgileri: Veriyi oluşturan veya erişen kullanıcıların kimlikleri ve rolleri dikkate alınır.</p><p><strong>Kullanıcı Davranışı Tabanlı Sınıflandırma</strong></p><p>Kullanıcı davranışları izlenerek anormal aktiviteler tespit edilir. Örneğin, bir kullanıcının aniden büyük miktarda veri indirmesi şüpheli olarak değerlendirilebilir.</p><p>Erişim Modelleri: Kullanıcıların normal erişim modelleri belirlenir ve bu modellerden sapmalar izlenir.</p><p><strong>Makine Öğrenmesi ve Yapay Zeka Tabanlı Sınıflandırma</strong></p><p>Makine öğrenmesi algoritmaları kullanılarak veri sınıflandırması otomatik hale getirilir. Bu modeller, sürekli olarak yeni verilerle güncellenir ve daha hassas hale gelir.</p><p>Yapay zeka, potansiyel ihlalleri otomatik olarak tespit eder ve önerilerde bulunur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*fxG6AEUo3KrtIgVjljZnSQ.png" /></figure><h3>FİNGERPRİTİNG</h3><p>Bir veri setinin benzersiz bir dijital kimlik oluşturmasını sağlar. Bu, verilerin içeriği analiz edilerek ve bir hash (dijital parmak izi) oluşturularak gerçekleştirilir. Bu dijital parmak izi, verinin herhangi bir yerde tekrar kullanılması durumunda tanımlanmasını kolaylaştırır.</p><h3>Fingerprinting Türleri</h3><p><strong>Statik Fingerprinting</strong></p><p>Hash Fonksiyonları: MD5, SHA-1 gibi hash fonksiyonları kullanılarak verinin benzersiz bir dijital parmak izi oluşturulur. Bu yöntem, verinin içeriği değişmediği sürece aynı hash değerini üretir.</p><p>Checksum: Dosyaların bütünlüğünü doğrulamak için kullanılan bir yöntemdir. Verinin belirli bir algoritma kullanılarak hesaplanan toplam değeri, fingerprint olarak kullanılır.</p><p><strong>MD5 (Message-Digest Algorithm 5):</strong> MD5, bir veri parçasından 128-bitlik (16 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, checksum hesaplamalarında kullanılır fakat artık güvenli kabul edilmemektedir çünkü hash çakışmaları (iki farklı veri parçasının aynı hash değerini üretmesi durumu) kolayca bulunabilmektedir.</p><p><strong>SHA-1 (Secure Hash Algorithm 1)</strong> Ta: SHA-1: Bir veri parçasından 160-bitlik (20 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, dijital imzalar, sertifika otoriteleri gibi alanlarda kullanılır fakat o da artık güvenli kabul edilmemektedir. 2005&#39;ten bu yana çeşitli güvenlik açıkları ve çakışma bulma yöntemleri keşfedilmiştir.</p><p><strong>SHA-256 (Secure Hash Algorithm 256-bit)</strong>: 256-bitlik (32 byte) bir hash değeri üreten bir hash fonksiyonudur. Veri bütünlüğü kontrolleri, dijital imzalar, sertifika otoriteleri, kripto para birimleri (örneğin Bitcoin) gibi birçok alanda kullanılabilir. SHA-256, günümüzde güvenli kabul edilmektedir ve geniş çapta kullanılmaktadır. SHA-1 ve MD5&#39;e kıyasla çok daha güçlüdür.</p><p><strong>Dinamik Fingerprinting</strong></p><p>Makine Öğrenmesi ve AI: Makine öğrenmesi algoritmaları ve yapay zeka kullanılarak dinamik fingerprinting yapılabilir. Bu, verilerin içeriklerini ve kullanımlarını analiz ederek benzersiz kimlikler oluşturur.</p><p>Davranışsal Fingerprinting: Kullanıcıların veya sistemlerin belirli veri parçalarıyla nasıl etkileşimde bulunduğunu analiz ederek fingerprinting yapılır. Bu, daha karmaşık ve dinamik veri tespitine olanak tanır.</p><p>Fingerprinting Süreci</p><p>· Veri Toplama: Fingerprinting yapılacak veri toplanır ve analiz edilir.</p><p>· Hash Oluşturma: Verinin içeriklerine dayanarak bir hash değeri oluşturulur.</p><p>· Veri Depolama: Oluşturulan hash değerleri güvenli bir şekilde depolanır ve referans alınır.</p><p>· İzleme ve Tespit: DLP sistemleri, verinin nerede ve nasıl kullanıldığını izler ve oluşturulan hash değerleriyle karşılaştırarak hassas verileri tespit eder.</p><p>· Raporlama ve Müdahale: Tespit edilen ihlaller raporlanır ve gerekli müdahaleler yapılır.</p><p>Fingerprinting sayesinde, DLP sistemleri verinin içeriğini değiştirilmiş olsa bile izleyebilir. Bu, özellikle dosyaların yeniden adlandırıldığı ya da kısmen değiştirildiği durumlarda büyük fayda sağlar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=34bf59777db4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[SQL (Structured Query Language) Nedir? TEMEL ÇALIŞMA PRENSİPLERİ NELERDİR?]]></title>
            <link>https://medium.com/@senafirdevs.ekmen47/sql-structured-query-language-nedir-temel-%C3%A7ali%C5%9Fma-prensi%CC%87pleri%CC%87-nelerdi%CC%87r-7f8df789376d?source=rss-f37c0f555132------2</link>
            <guid isPermaLink="false">https://medium.com/p/7f8df789376d</guid>
            <category><![CDATA[sql]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Sena Ekmen]]></dc:creator>
            <pubDate>Sun, 25 Feb 2024 17:29:12 GMT</pubDate>
            <atom:updated>2024-02-25T17:29:12.454Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N7FFd1-toQ0U1SVF9hR9-w.jpeg" /></figure><p>SQL (Structured Query Language) Türkçeye “Yapılandırılmış Sorgu Dili” olarak çevirilir. Verileri yönetmek ve tasarlamak için kullanılan verilerin depolanması ve uzun vadede istenilen kişiler tarafından erişilip kullanılan bir veri tabanı yönetim sistemidir. SQL Dünya genelinde kullanılan en yaygın veri tabanı dillerinden biridir.</p><p>SQL ile yalnızca depolanan verilerin üzerine yeni işlemler yapmak(depolanan veriyi silmek, güncellemek, listelemek ve o veri üzerinde filtreleme yapmak örneğin; 20 yaş ve üzeri seç vb.) gibi filtreleme işlemini yapar. SQL dilini kullanan bazı veri tabanları şunlardır; Sybase, Mysql, Mssql, Oracle, Firebird, Acces…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3Kz6p9Oihq4dA8XI6xWuLw.jpeg" /></figure><p>SQL ilişkisel alanda büyük ilgi görmüş ve ilişkisel veri tabanı yönetim sistemlerinin (İVTYS) tümünde yer alan standart dil görünümü kazanmıştır. Bu nedenle veri tabanı konusunda çalışan teknik personelleri tarafından bilinmesi gereken bir dil konumundadır.</p><p><strong>SQL TEMEL ÇALIŞMA PRENSİPLERİ;</strong></p><p><strong>Veri tabanı Oluşturma (CREATE DATABASE):</strong> İlk adım genellikle bir veri tabanı oluşturmaktır. Bu, verilerin depolanacağı temel yapıyı sağlar.</p><p><strong>Tablo Oluşturma (CREATE TABLE):</strong> Veri tabanındaki verilerin düzenli bir şekilde depolanması için tablolar oluşturulur.</p><p><strong>Veri Ekleme (INSERT INTO):</strong> Tablolara veri eklemek için kullanılır.</p><p><strong>Veri Sorgulama (SELECT):</strong> Veri tabanındaki verilere sorgular aracılığıyla erişim sağlar.</p><p><strong>Veri Güncelleme (UPDATE):</strong> Var olan verileri güncellemek için kullanılır.</p><p><strong>Veri Silme (DELETE):</strong> Veri tabanındaki verileri silmek için kullanılır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZqP7cIY3-rMtmKtX50ozYw.png" /></figure><p>SQL, bu temel komutlar aracılığıyla veri tabanı üzerinde birçok işlem gerçekleştirmemizi sağlar. Veri tabanları genellikle bağlantılı olup, tablolar arasında bağlantılar kurulabilir. Bu sayede veriler daha düzenli bir şekilde depolanabilir. SQL, veritabanı yönetim sistemleri (Oracle, MySQL, SQL Server, PostgreSQL vb.) tarafından desteklenir ve bu sistemlerin bazı özelliklerine göre farklılık gösterebilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7f8df789376d" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>