``

Önce yetki, sonra terminal

Gerçek bir Wi-Fi ağına izinsiz bağlanmaya çalışmak, paket toplamak veya istemcilerin bağlantısını bozmak hukuki ve etik sonuçlar doğurabilir. Güvenli bir laboratuvar için ayrı bir erişim noktası, test amaçlı istemci, monitor mode destekleyen USB adaptör ve internete yönlendirilmeyen bir ağ kullanılabilir. “Yetkisiz erişim simülasyonu” burada gerçek bir üçüncü taraf ağına saldırmak değil, kontrollü ortamda zayıf yapılandırmanın oluşturacağı sonucu gözlemlemek anlamına gelir.

Protokollerin teorik farkları

WEP, RC4 akış şifrelemesini kısa bir başlangıç vektörüyle kullanır. 24 bitlik IV alanı nedeniyle yoğun trafikte tekrarların oluşması kaçınılmazdır. Doğum günü paradoksuna benzer şekilde, $N$ olası değer arasındaki çakışma ihtimali yaklaşık olarak

ile ifade edilir. Yeterli paket toplandığında IV tekrarları anahtar hakkında istatistiksel bilgi sızdırabilir. Bu, güçlü görünen bir WEP parolasını bile güvenli yapmaz.

WPA, geçiş çözümü olarak TKIP’i; WPA2 ise çoğunlukla AES tabanlı CCMP’yi kullanır. WPA/WPA2-Personal testlerinde genellikle şifreleme matematiği doğrudan kırılmaz. Yakalanan kimlik doğrulama verisi üzerinden aday parolalar çevrimdışı denenir. Yaklaşık çalışma maliyeti $T=D/R$ şeklindedir; burada $D$ aday sayısı, $R$ ise saniyede test edilen aday miktarıdır. Uzun ve rastgele parola, $D$ değerini dramatik biçimde büyütür.

Kontrollü Aircrack-ng laboratuvarı

Önce adaptörün monitor mode desteği doğrulanır ve izleme arayüzü başlatılır:

sudo airmon-ng start wlan0
iw dev

İkinci komut, oluşan arayüzü ve çalışma modunu gösterir. Ardından yalnızca laboratuvar erişim noktasının BSSID ve kanalı hedeflenerek kayıt alınır:

sudo airodump-ng --channel <KANAL> \
  --bssid <LAB_BSSID> --write lab-kaydi wlan0mon

Bu komut paketleri lab-kaydi-01.cap benzeri bir dosyada saklar. WPA/WPA2 laboratuvarında kendi test istemcinizi normal biçimde ağa bağlayarak kimlik doğrulama kaydının oluşmasını bekleyin; başka istemcileri zorla düşüren yöntemlerden kaçının.

Parola politikasını denetlemek için yalnızca laboratuvar parolalarını içeren küçük ve izinli bir aday listesi kullanılabilir:

aircrack-ng -w ./izinli-test-listesi.txt \
  -b <LAB_BSSID> lab-kaydi-01.cap

Aircrack-ng burada ağa tekrar tekrar bağlanmaz; yakalanan doğrulama verisine karşı çevrimdışı aday kontrolü yapar. Parolanın listede bulunması, protokolün otomatik olarak kırıldığı anlamına değil, parola seçiminin tahmin edilebilir olduğuna işaret eder. WEP testinde ise paket sayısı arttıkça istatistiksel çözüm olasılığının yükselmesi doğrudan protokolün tasarım kusurunu gösterir.

Bulguları savunmaya dönüştürmek

Rapor; kapsamı, cihazları, protokolü, yakalama süresini ve sonucun tekrar üretilebilirliğini içermelidir. WEP ve WPA-TKIP kapatılmalı, WPA2-AES veya mümkünse WPA3 seçilmeli, uzun ve benzersiz parolalar kullanılmalı, WPS devre dışı bırakılmalı ve erişim noktası yazılımı güncellenmelidir. Başarılı testin amacı ağa gizlice girmek değil, gerçek bir saldırgandan önce zayıflığı görüp düzeltmektir.

Generaller neden anlaşamıyor?

Problemde Bizans ordusunu kuşatan generaller, saldırmak ya da geri çekilmek konusunda ortak karar vermelidir. Başarı için yalnızca karar vermeleri yetmez; dürüst generallerin aynı kararı vermesi gerekir. Ancak aralarında hainler bulunabilir. Bir hain, bir generale “saldır”, diğerine “geri çekil” mesajı göndererek uzlaşmayı sabote edebilir.

Buradaki temel hedefler şunlardır:

1. Tutarlılık: Bütün dürüst katılımcılar aynı sonuca ulaşmalıdır.
2. Geçerlilik: Komutan dürüstse onun önerdiği değer kabul edilmelidir.
3. Sonlanma: Katılımcılar sonsuza kadar beklememeli, sonunda karar vermelidir.

Bu ilkeler teknik görünse de günlük hayattaki güven beklentilerimize benzer. Bir ekipte herkesin aynı plana göre hareket etmesini, doğru bilginin korunmasını ve toplantının bir gün gerçekten bitmesini isteriz.

Matematik bize ne söylüyor?

Klasik Bizans hata toleransında, en fazla $f$ kötü niyetli düğüme dayanabilmek için genellikle en az

düğüm gerekir. Örneğin bir kötü niyetli katılımcıya karşı sistemde en az dört düğüm bulunmalıdır. Karar oluşturmak için kullanılan tipik yeter sayı ise $2f+1$ dürüstlük ağırlığı taşıyan oydur.

Bunun mantığı “çoğunluk her zaman haklıdır” demek değildir. Amaç, iki çelişkili kararın aynı anda yeterli desteği toplamasını engellemektir. Yeter sayılar kesiştiğinde, bu kesişimde en az bir dürüst katılımcı bulunur ve dürüst düğüm iki farklı kararı onaylamaz.

Küçük bir oylama modeli

Aşağıdaki Python örneği, düğümlerin önerilerini sayarak bir karar için yeter sayı aranmasını gösterir:

from collections import Counter

def bizans_karari(oylar, f):
    """En az 2f+1 destek alan değeri döndürür."""
    gereken = 2 * f + 1
    sayac = Counter(oylar)

    for karar, destek in sayac.items():
        if destek >= gereken:
            return karar

    return "UZLASMA_YOK"

oylar = ["SALDIR", "SALDIR", "SALDIR", "GERI_CEKIL"]
print(bizans_karari(oylar, f=1))  # SALDIR

Kodda tek bir hain düğüm farklı oy verse bile üç uyumlu oy kararı oluşturur. Elbette gerçek protokoller bundan daha karmaşıktır: Mesaj turları, kimlik doğrulama, lider seçimi, ağ gecikmeleri ve tekrar saldırıları hesaba katılır. PBFT gibi protokoller bu fikirleri uygularken blokzincir sistemleri ekonomik teşvikleri de güven modeline ekler.

Güven, kişilik değil mekanizma meselesidir

Bizans Generalleri Problemi’nin en insani dersi şudur: Sağlam işbirliği, herkesin iyi niyetli olduğunu varsayarak kurulmaz. Bunun yerine sistem, anlaşmazlığı görünür kılar, iddiaları doğrular ve kötü davranışın etkisini sınırlar.

Toplumlarda bunu şeffaf kayıtlar, bağımsız denetim ve görev ayrılığıyla yaparız. Yazılımda ise çoğaltma, dijital imza, quorum ve hata toleranslı protokoller kullanırız. Güven böylece “Sana inanıyorum” cümlesinden çıkarak “Yanlış davransan bile sistem çalışmaya devam ediyor” güvencesine dönüşür.

Sonuçta Bizans generalleri yalnızca sunucuların hikâyesi değildir. Farklı bilgilere, çıkarlara ve niyetlere sahip aktörlerin ortak bir gerçeklik üretme çabasıdır. Dağıtık sistemler bize kusursuz insanları değil, kusurlara rağmen işbirliğini mümkün kılan kuralları tasarlamamız gerektiğini hatırlatır.

``

Commit mesajı neden sosyal bir veridir?

Commit mesajı, geliştiricinin gelecekteki okuyucuya bıraktığı küçük bir nottur. Bu okuyucu ekip arkadaşı, kod incelemecisi veya altı ay sonraki kendisi olabilir. Dolayısıyla mesaj yazarken harcanan emek, ekibin ortak hafızaya verdiği önemi yansıtır.

Bu ilişkiyi basitçe şöyle modelleyebiliriz:

Burada $K$ kurumsal hafıza katkısını, $B$ mesajın bilgi yoğunluğunu, $O$ okunabilirliğini ve $G$ gereksiz gürültüyü temsil eder. Bu bilimsel bir ölçüm değil, düşünme aracıdır: Bilgi ve okunabilirlik arttıkça geçmiş daha anlaşılır hâle gelir; gürültü arttıkça git log arkeolojik kazıya dönüşür.

Üsluplar ne anlatabilir?

Bu tablo kesin teşhis koymaz. Tek bir “WIP” mesajı kaotik kültür kanıtı değildir; geliştirici aceleyle ara kayıt almış olabilir. Sosyolojik okuma, tekil örneklerden değil, tekrar eden örüntülerden yapılmalıdır.

Mesajların görünmeyen aktörleri

Commit geçmişinde yalnızca yazar bulunmaz. Kod inceleme kuralları, CI sistemi, teslim tarihleri ve yöneticilerin beklentileri de mesaj biçimini etkiler. Örneğin Conventional Commits kullanan bir ekipte düzenli mesajlar, herkesin doğal olarak titiz olduğunu değil, otomasyonun davranışı yönlendirdiğini gösterebilir.

feat(search): add typo tolerance
fix(auth): reject expired refresh tokens
refactor(cart): extract price calculator

Bu yapıdaki feat, fix ve refactor türleri değişikliğin amacını makine tarafından okunabilir hâle getirir. Böylece sürüm notları üretilebilir ve değişiklikler sınıflandırılabilir. Ancak şablon doğru olsa bile açıklama anlamsız olabilir: fix(api): fix bug biçimsel olarak düzenli, içerik olarak yoksuldur.

Kültürel sinyalleri ölçmek

Bir deponun mesaj uzunluklarını hızlıca incelemek için şu komut kullanılabilir:

git log --pretty=format:%s |
awk '{ total += length($0); count++ }
END { print "Ortalama:", total / count }'

Komut, commit başlıklarının ortalama karakter sayısını hesaplar. Yine de uzunluk kalite değildir. Daha anlamlı bir değerlendirme için açıklayıcılık oranı düşünülebilir:

Burada bağlamlı mesaj; neyin değiştiğini ve mümkünse nedenini belirten mesajdır. Oranı sürüm dönemlerine göre karşılaştırmak, teslim tarihi yaklaşırken iletişim kalitesinin düşüp düşmediğini gösterebilir.

Sağlıklı bir commit dili kurmak

İyi bir ekip, commit mesajını performans değerlendirme silahına dönüştürmez. Bunun yerine birkaç ortak ilke belirler:

• Değişikliğin ne yaptığını açıkça yazmak,
• Koddan anlaşılmayan durumlarda nedenini belirtmek,
• İnsanları değil davranışı ve teknik sonucu tarif etmek,
• Aynı dil ve biçim standardını kullanmak,
• Büyük değişiklikleri anlamlı, küçük parçalara ayırmak.

Sonuçta commit geçmişi takımın günlüğüdür. Düzenli, açıklayıcı ve saygılı mesajlar yalnızca iyi Git kullanımı değildir; ortak sorumluluğun, psikolojik güvenliğin ve gelecekteki ekip arkadaşlarına duyulan nezaketin küçük ama kalıcı göstergeleridir.

Oyuncular, stratejiler ve kazançlar

Basitleştirilmiş modelimizde üç aktör bulunsun:

• Bağımsız geliştirici: Kodun yayılmasını, itibar ve katkı kazanmayı hedefler.
• Şirket: Geliştirme maliyetini düşürmek ve rekabet avantajı elde etmek ister.
• Topluluk: İyileştirmelerin ortak havuza dönmesini ve projenin yaşamasını önemser.

Her aktörün faydasını kabaca şöyle gösterebiliriz:

Burada $A$ benimsenme oranını, $C$ topluluğa dönen katkıyı, $R$ rekabet avantajını ve $K$ uyumluluk maliyetini temsil eder. Katsayılar aktöre göre değişir. Bir girişim için $R$ yüksek ağırlık taşırken topluluk odaklı geliştiricide $C$ daha önemlidir.

Tekrarlanan oyun neden önemli?

Oyun yalnızca bir kez oynansaydı şirket, MIT kodunu alıp kapalı bir ürüne dönüştürerek yüksek kısa vadeli kazanç sağlayabilirdi. Geliştirici de daha geniş benimsenme elde ederdi. Bu senaryoda MIT güçlü görünür.

Açık kaynak ekosistemleri ise tekrarlanan oyunlardır. Aynı şirketler ve geliştiriciler yıllarca karşılaşır. Bugün katkıyı saklayan aktör yarın kötü itibar, zayıf topluluk ve daha yüksek bakım maliyetiyle karşılaşabilir. Gelecekteki kazançların bugünkü değeri şu seriyle modellenebilir:

$\delta$ geleceğe verilen önemi gösterir. $\delta$ yüksekse iş birliği rasyonelleşir. GPL, iş birliğini yalnızca iyi niyete bırakmayıp oyunun kurallarına yerleştirir. MIT ise güven, itibar ve ağ etkisine daha fazla yaslanır.

Basit bir kazanç matrisi

Şirketin “katkıyı paylaş” veya “kodu kapat” stratejilerinden birini seçtiğini düşünelim. Değerler kesin sonuçlar değil, teşvikleri görünür kılan örnek puanlardır.

MIT altında şirket için kapatma stratejisi kısa vadede baskın olabilir. GPL ise bu seçeneğin maliyetini artırarak dengeyi paylaşmaya yaklaştırır. Buna karşılık ağır uyumluluk gereksinimleri bazı şirketlerin oyuna hiç girmemesine yol açabilir.

Modeli kodla deneyelim

Aşağıdaki Python örneği, geleceğe verilen önem değiştikçe paylaşmanın toplam değerini karşılaştırır:

def uzun_vadeli_kazanc(anlik_kazanc, delta, tur=20):
    # Tekrarlanan oyundaki indirgenmiş toplam faydayı hesaplar.
    return sum((delta ** t) * anlik_kazanc for t in range(tur))

for delta in (0.3, 0.7, 0.95):
    paylas = uzun_vadeli_kazanc(7, delta)
    kapat = 9 + uzun_vadeli_kazanc(3, delta, tur=19)
    print(delta, round(paylas, 2), round(kapat, 2))

Burada kapatma ilk turda yüksek, sonraki turlarda düşük kazanç üretir; çünkü topluluk güveninin azaldığını varsayıyoruz. delta yükseldikçe sürdürülebilir iş birliğinin değeri belirginleşir.

Öyleyse kim kazanır?

Tek bir evrensel galip yoktur. Amaç maksimum yayılma, düşük sürtünme ve geniş entegrasyon ise MIT çoğu zaman avantajlıdır. Amaç iyileştirmelerin ortak havuzda kalması ve özel mülke dönüşmenin sınırlandırılması ise GPL daha güçlü bir mekanizma tasarlar.

Oyun teorisinin cevabı şudur: Lisans, oyuncunun kişiliğini değiştirmez; kazanç tablosunu değiştirir. MIT “daha çok oyuncu gelsin” derken GPL “gelen oyuncu ortak masayı büyütsün” der. Kazanan, projenizin hangi oyunu oynamak istediğine bağlıdır.

``

Çalışan bellek: Zihnin küçük çalışma masası

Bilişsel psikolojide çalışan bellek, bilgiyi kısa süre boyunca tutup işlediğimiz zihinsel sistemdir. Bir telefon numarasını tuşlayana kadar akılda tutmak veya bir fonksiyonun akışını takip etmek çalışan belleği kullanır.

Kapasitesi sınırsız değildir. Modern çalışmalar kesin sayının göreve göre değiştiğini gösterse de insanın aynı anda yaklaşık $4 \pm 1$ anlamlı bilgi parçasını etkin biçimde yönetebildiği kabul edilir. Programcı bir kod bloğunu incelerken değişkenlerin değerlerini, koşulları, fonksiyon çağrılarını ve iş kurallarını bu küçük çalışma masasına yerleştirir.

Bilişsel yükü kabaca şöyle düşünebiliriz:

• İçsel yük, problemin doğal karmaşıklığıdır. Dağıtık sistemler, tarih hesaplamasından doğası gereği daha zordur.
• Dışsal yük, kötü adlar, gereksiz iç içe koşullar ve dağınık akış gibi sunum kaynaklı yüktür.
• Öğrenme yükü, yeni ve yararlı zihinsel modeller kurmak için harcanan çabadır.

İçsel yükü her zaman azaltamayız; fakat dışsal yükü iyi tasarlanmış kodla ciddi biçimde düşürebiliriz.

Aynı iş, farklı zihinsel maliyet

Aşağıdaki JavaScript kodu indirimli ve aktif ürünlerin toplamını hesaplıyor:

let t = 0;
for (let i = 0; i < p.length; i++) {
  if (p[i].a === true) {
    if (p[i].s > 0) {
      t += p[i].pr * (1 - p[i].d);
    }
  }
}

Bilgisayar bunu kolayca yorumlar. İnsan ise t, p, a, s, pr ve d kısaltmalarını sürekli zihninde çevirmek zorundadır. İki iç içe koşul da akışın hangi dalında bulunduğumuzu hatırlatır.

Aynı işlem, niyeti görünür hâle getirilerek yazılabilir:

const purchasableProducts = products.filter(
  product => product.isActive && product.stockCount > 0
);

const discountedTotal = purchasableProducts.reduce(
  (total, product) => total + product.price * (1 - product.discountRate),
  0
);

Burada ara değişken yalnızca veri saklamaz; zihinsel bir parça, yani anlamlı bir bütün oluşturur. Okur, ayrıntıları tek tek taşımak yerine “satın alınabilir ürünler” kavramını hatırlar.

Erken dönüş neden rahatlatır?

İç içe koşullar, açık kalan zihinsel parantezlere benzer. Her seviye çalışan bellekte tutulur:

def ship_order(order):
    if order is None:
        return 'Sipariş bulunamadı'
    if not order.is_paid:
        return 'Ödeme bekleniyor'
    if not order.items:
        return 'Sepet boş'

    create_shipment(order)
    return 'Kargo oluşturuldu'

Bu guard clause yaklaşımı, geçersiz durumları erkenden eleyerek ana senaryoyu düz bir çizgide bırakır. Okur, “ilk koşul doğruydu, şimdi ikinci dalın içindeyim” bilgisini taşımak zorunda kalmaz.

Beyne uygun kod için pratik ilkeler

1. İsimleri kısa değil, anlamı açık olacak şekilde seçin.
2. Bir fonksiyonda tek soyutlama düzeyi kullanın.
3. Karmaşık ifadeleri açıklayıcı ara değişkenlere ayırın.
4. Gizli yan etkileri ve global durum değişimlerini azaltın.
5. Yorumlarla kötü kodu tercüme etmek yerine kodun niyetini görünür yapın.
6. Benzer işlemleri tutarlı kalıplarla yazın.

Okunabilirlik yalnızca estetik değildir; sınırlı bir bilişsel kaynağı yönetme problemidir. İyi kod, okurun hafızasını ayrıntılarla doldurmaz. Ona doğru kavramları, doğru sırada ve sindirilebilir parçalar hâlinde sunar. Kısacası temiz kod, bilgisayardan önce insan beynine yapılan bir optimizasyondur.

``

Satranç neden yapay zekânın laboratuvarı oldu?

Satranç; kuralları kesin, sonuçları ölçülebilir ve seçenekleri olağanüstü geniş bir oyundur. Ortalama bir konumda yaklaşık 35 yasal hamle bulunur. Bir motor yalnızca $d$ yarım hamle ileri bakarsa incelemesi gereken düğüm sayısı kabaca

olur. Sadece 8 yarım hamlede bu sayı trilyonlara yaklaşır. Dolayısıyla bütün oyunu baştan sona hesaplamak pratik değildir. Asıl mesele, olası geleceklerin hangilerinin araştırılmaya değer olduğunu belirlemektir.

Minimax: Rakibin de akıllı olduğunu varsaymak

1950’lerin klasik yaklaşımı olan Minimax, oyuncuların kusursuz davranacağını kabul eder. Motor kendi hamlesinde skoru büyütürken rakibin cevabında skorun küçültüleceğini varsayar. Başka bir ifadeyle “Benim en iyi hamlem, rakibimin en güçlü cevabından sonra bile beni en iyi durumda bırakan hamledir” der.

Basitleştirilmiş algoritma şöyledir:

def minimax(dugum, derinlik, maksimize):
    # Arama sınırına gelince konumu sayısal olarak değerlendirir.
    if derinlik == 0 or dugum.oyun_bitti():
        return dugum.degerlendir()

    skorlar = [
        minimax(cocuk, derinlik - 1, not maksimize)
        for cocuk in dugum.cocuklar()
    ]

    # Sıra bizdeyse en yüksek, rakipteyse en düşük skor seçilir.
    return max(skorlar) if maksimize else min(skorlar)

Buradaki kritik unsur değerlendirme fonksiyonudur. Motor; taş değerleri, şah güvenliği, piyon yapısı ve merkez kontrolü gibi özellikleri ağırlıklandırır:

Burada semboller vezir, kale, fil, at, piyon ve hareketlilik farklarını temsil edebilir. Bu formül “satranç bilgisi”nin insan tarafından makineye çevrilmiş hâlidir.

Alpha-Beta ve kaba kuvvetin akıllanması

Alpha-Beta budaması, sonucu değiştiremeyeceği kesinleşen dalları incelemez. Doğru hamle sıralamasıyla Minimax’ın etkili karmaşıklığını yaklaşık $O(b^d)$ seviyesinden $O(b^{d/2})$ seviyesine indirebilir. Böylece aynı sürede neredeyse iki kat derinlik araştırılır.

1997’de Garry Kasparov’u yenen Deep Blue, bu geleneğin zirvesiydi: özel donanım, uzmanlarca yazılmış değerlendirme kuralları ve saniyede milyonlarca konum. Zeki görünüyordu; fakat bilgisini kendi deneyiminden üretmiyordu.

AlphaZero: Hesaplamadan öğrenilmiş sezgiye

Bu ağ, Monte Carlo Ağaç Araması ile birleşir. Sistem her dalı eşit biçimde araştırmak yerine umut vadeden hamlelere yoğunlaşır; arama sonuçları da ağı yeniden eğitir. Böylece döngü oluşur: oyna, değerlendir, öğren ve daha güçlü yeniden oyna. AlphaZero’nun fedaları bazen romantik bir büyükustayı andırır; ancak bu estetik, önceden öğretilmiş ilkelerden değil, kazanma olasılığını optimize etmekten doğar.

Zekâ gerçekten nerede?

Minimax zekâyı mantıklı seçim, Deep Blue devasa hesaplama, AlphaZero ise deneyimden temsil öğrenme olarak yorumlar. Yine de AlphaZero “şah güvenliği”ni bizim gibi kavramsallaştırmak zorunda değildir. İşe yarayan örüntüyü sayılara gömer.

Bu tarih küçük bir felsefi sürpriz sunar: Zeki davranış için insan gibi düşünmek gerekmeyebilir. Kaba kuvvet ile sezgi birbirinin zıddı da değildir; modern motorlarda öğrenilmiş sezgi, hesaplamanın nereye bakacağını söyler. Satranç tahtası böylece yalnızca bir oyun alanı değil, aklın kurallardan mı, deneyimden mi, yoksa ikisinin sürekli etkileşiminden mi doğduğunu sınayan siyah-beyaz bir laboratuvara dönüşür.

Post-Exploitation Mantığı

Bu aşamada test uzmanı genellikle erişim seviyesini, hassas veri görünürlüğünü, ağ içi hareket ihtimalini ve kalıcılık kontrollerini değerlendirir. Kalıcılık, bir saldırganın oturum kapansa veya sistem yeniden başlatılsa bile erişimini sürdürebilmesidir. Ancak profesyonel testlerde gerçek ve gizli bir arka kapı bırakmak yerine, tekniklerin uygulanabilirliği zararsız göstergeler, geçici test hesapları ya da savunma ekibiyle kararlaştırılmış simülasyonlar üzerinden doğrulanmalıdır.

Kalıcılığın riski yalnızca tekniğe bağlı değildir. Basit bir öncelik modeli şu şekilde kurulabilir:

Burada $O$ oluşma olasılığını, $E$ erişimin iş etkisini, $V$ ise mekanizmanın görünmeden sürdürülebilme derecesini temsil eder. Örneğin ayrıcalıklı ve denetlenmeyen bir servis hesabı, düşük yetkili ve sürekli izlenen bir hesaptan daha yüksek puan alır.

Kontrollü Çalışma Akışı

Önce kapsam ve angajman kuralları yeniden kontrol edilir. Ardından mevcut yetkiler belgelenir; erişim yükseltme veya yatay hareket girişimleri yalnızca açık izin varsa gerçekleştirilir. Her değişiklik için zaman, sistem, amaç, sonuç ve geri alma yöntemi kaydedilir. Üretim ortamında hizmet kesintisi oluşturabilecek işlemlerden kaçınılır.

Aşağıdaki örnek, bulguların öncelik puanını hesaplayan zararsız bir raporlama yardımcısıdır:

findings = [
    {"name": "Denetlenmeyen test hesabı", "likelihood": 4, "impact": 5},
    {"name": "Eksik görev alarmı", "likelihood": 3, "impact": 3},
]

for finding in findings:
    finding["score"] = finding["likelihood"] * finding["impact"]
    finding["priority"] = "Kritik" if finding["score"] >= 16 else "Yüksek"
    print(f"{finding['name']}: {finding['score']} - {finding['priority']}")

Kod, olasılık ile etkiyi çarparak tutarlı bir ilk sıralama sağlar. Yine de nihai seviye; varlığın önemi, mevcut kontroller ve kurumun risk iştahıyla birlikte değerlendirilmelidir.

Yönetimsel Dilde Raporlama

Profesyonel rapor iki farklı okuyucuya seslenir. Yönetici özeti; saldırı zincirini, iş etkisini ve yatırım önceliklerini teknik ayrıntıya boğulmadan anlatır. Teknik bölüm ise kanıtları, zaman çizelgesini, etkilenen varlıkları, tekrarlanabilir doğrulama adımlarını ve düzeltme önerilerini içerir.

Her bulguda başlık, önem derecesi, iş etkisi, kanıt, kök neden, öneri ve sorumlu ekip bulunmalıdır. Ekran görüntüleri hassas verileri maskelemeli; hash değerleriyle kanıt bütünlüğü korunmalıdır. Test sonunda oluşturulan hesaplar, dosyalar, görevler ve anahtarlar temizlenmeli, temizlik ikinci bir uzman tarafından doğrulanmalıdır.

İyi bir post-exploitation çalışması “ne kadar içeride kaldık?” sorusuyla değil, “kurum neyi daha iyi savunabilir?” sorusuyla ölçülür. Net kanıt, güvenli temizlik ve yönetimin anlayacağı risk dili; teknik beceriyi gerçek güvenlik kazanımına dönüştüren üçlüdür.

Model değil, geçmiş konuşuyor

Denetimli öğrenmede model, girdiler $X$ ile hedef değişken $Y$ arasındaki ilişkiyi öğrenmeye çalışır. Basitçe amaç, tahmin hatasını küçülten bir $f(X)$ fonksiyonu bulmaktır:

Ancak $Y$ tarafındaki etiketler geçmişte verilmiş insan kararlarından oluşuyorsa model yalnızca gerçeği değil, o kararların önyargılarını da öğrenir. Örneğin işe alım verisinde geçmiş çalışanların çoğu erkekse, başarılı çalışan etiketi erkeklikle dolaylı biçimde ilişkilendirilebilir. Cinsiyet sütununu silmek de yeterli değildir; askerlik durumu, okul, posta kodu veya kariyer araları aynı bilgiyi taşıyan vekil değişkenlere dönüşebilir.

Polis verisi paradoksu

Bir bölgede daha fazla polis devriyesi yapılırsa daha fazla olay kaydedilebilir. Veri seti bu kayıtlarla oluşturulduğunda model, bölgenin doğası gereği daha riskli olduğu sonucuna varır. Ardından bölgeye daha fazla devriye gönderilir ve daha çok kayıt üretilir. Böylece veri, tahmini; tahmin de yeni veriyi besleyen bir döngü yaratır. Bu durum, termometrenin ateşi ölçmek yerine ateşi yükseltmesine benzer.

Benzer bir sorun sağlık alanında görülür. Bir sistem, hastanın sağlık ihtiyacını geçmiş sağlık harcamasıyla temsil edebilir. Oysa iki grubun hastalık düzeyi aynı olsa bile sağlık hizmetine erişimi düşük grubun harcaması daha azdır. Model şu hatalı varsayımı öğrenir: düşük harcama eşittir düşük ihtiyaç.

Ortalamalar adaleti garanti etmez

Bir modelin genel doğruluğunun yüzde 92 olması etkileyici görünebilir. Fakat başarı gruplara göre ayrıştırılmadığında önemli farklar saklanır. Örneğin yanlış negatif oranı şöyle tanımlanır:

Toplam hata düşükken $FNR_A = 0.08$ ve $FNR_B = 0.31$ olabilir. Yani model, B grubundaki gerçek olumlu örnekleri yaklaşık dört kat daha sık kaçırmaktadır.

Aşağıdaki Python kodu, sonuçları gruplara göre inceleyerek bu sessiz farkı görünür kılar:

import pandas as pd
from sklearn.metrics import confusion_matrix

def grup_raporu(df):
    for grup, parca in df.groupby('grup'):
        tn, fp, fn, tp = confusion_matrix(
            parca['gercek'], parca['tahmin'], labels=[0, 1]
        ).ravel()

        fnr = fn / (fn + tp) if fn + tp else 0
        fpr = fp / (fp + tn) if fp + tn else 0
        print(grup, {'FNR': round(fnr, 3), 'FPR': round(fpr, 3)})

Kod, yalnızca genel doğruluğa bakmak yerine her grup için yanlış negatif ve yanlış pozitif oranlarını hesaplar. Elbette grupları analiz etmek, kişileri kalıcı kalıplara hapsetmek için değil, sistematik zararları teşhis etmek için kullanılmalıdır.

Daha dikkatli veri, daha dürüst model

Çözüm yalnızca veri setini büyütmek değildir; yanlış mekanizmayla toplanan daha fazla veri, önyargıyı daha güvenilir biçimde yeniden üretir. Veri kartları hazırlamak, örnekleme sürecini belgelemek, etkilenen toplulukları tasarıma katmak ve modelleri düzenli olarak denetlemek gerekir. Çünkü algoritmalar görünmez eller değildir; asıl görünmez eller, hangi olayın kaydedildiğine, kimin temsil edildiğine ve neyin başarı sayıldığına karar veren süreçlerdir.

``

Paket dinleme nasıl çalışır?

Bilgisayarlar iletişim kurarken veriyi küçük paketlere böler. Her pakette kaynak ve hedef adresleri, kullanılan protokol ve taşınan veri gibi alanlar bulunur. Ağ kartı normalde yalnızca kendisine gönderilen çerçeveleri işler. Promiscuous mode etkinleştirildiğinde ise erişebildiği diğer çerçeveleri de yakalama yazılımına iletebilir.

Yakalanan veri miktarı yaklaşık olarak

şeklinde düşünülebilir. Burada $R$ saniyedeki ortalama trafik miktarını, $t$ dinleme süresini, $D$ ise incelenecek toplam veriyi temsil eder. Yoğun bir ağda kısa süreli kayıtların bile hızla büyümesinin nedeni budur.

Wireshark ile güvenli trafik analizi

Kendi bilgisayarınızda veya izole bir sanal laboratuvarda doğru ağ arayüzü seçilerek kayıt başlatılabilir. Wireshark yüzlerce protokolü tanıdığı için filtre kullanmak önemlidir. Aşağıdaki görüntüleme filtreleri mevcut kayıt içerisindeki paketleri daraltır; yeni bir saldırı gerçekleştirmez:

http

dns

tcp.port == 80

ip.addr == 192.0.2.10

http, şifrelenmemiş HTTP paketlerini; dns, alan adı sorgularını gösterir. tcp.port == 80 belirli bir TCP portuna, ip.addr ise dokümantasyon amacıyla ayrılmış örnek bir IP adresine odaklanır. Bir paket seçildiğinde Ethernet, IP, TCP ve uygulama katmanları ayrı ayrı açılarak başlık bilgileri incelenebilir.

Komut satırında yalnızca kendi arayüzünüzde temel bir protokol özeti görmek için TShark da kullanılabilir:

tshark -i <izinli-arayuz> -f "tcp port 80"

Bu komut HTTP içeriğini değiştirmez; belirtilen arayüzdeki 80 numaralı TCP portuna ait trafiği görüntüler. Yakalama dosyaları hassas bilgi içerebileceğinden paylaşılmadan önce anonimleştirilmelidir.

Ettercap ve ortadaki adam mantığı

MitM saldırısında saldırgan, iki uç arasındaki iletişimin ortasına yerleşmeye çalışır. Yerel ağlarda bunun tarihsel örneklerinden biri, sahte ARP yanıtlarıyla cihazların IP–MAC eşleştirmelerini yanıltmaktır. Trafik saldırgan üzerinden geçerse şifrelenmemiş içerik okunabilir veya değiştirilebilir.

Ettercap bu davranışı eğitim laboratuvarlarında canlandırabilir; ancak aktif ARP manipülasyonu gerçek ağlarda kesintiye, veri ihlaline ve hukuki sonuçlara yol açabilir. Bu nedenle saldırı komutları üretim ağında denenmemeli; yalnızca sahibi olduğunuz, internetten ayrılmış sanal makinelerde ve açık izinle çalışılmalıdır.

Şifreleme neden oyunu değiştirir?

HTTP kullanıldığında istek yolu, başlıklar ve form alanları açık biçimde görülebilir. HTTPS ise uygulama verisini TLS ile şifreler. Dinleyici IP adresleri, portlar ve paket boyutları gibi metaverileri görebilse de içerik uygun anahtar olmadan anlamlı değildir.

Savunma için HTTPS zorunluluğu, güvenli DNS seçenekleri, VPN, dinamik ARP denetimi, istemci izolasyonu ve sertifika uyarılarının ciddiye alınması önemlidir. Wireshark ile olağan dışı ARP yanıtları veya tekrarlanan adres değişimleri araştırılabilir. Kısacası bu araçların en değerli kullanımı başkalarının verisini yakalamak değil, kendi ağımızın hangi koşullarda savunmasız kaldığını görüp şifrelemeyi doğru uygulamaktır.

Bilgi toplama iki ana aileye ayrılır: pasif ve aktif. Pasif toplamada hedef sisteme doğrudan dokunmadan açık kaynaklardan veri çekilir; arama motorları, WHOIS kayıtları, sertifika şeffaflığı kayıtları ve sosyal ağlar buna örnektir. Aktif toplamada ise hedefe paket gönderilir; port taraması, servis sürüm tespiti ve ağ haritalama bu gruba girer. Basit bir zihinsel model kurarsak, görünür risk yaklaşık şöyle düşünülebilir: $R = A \times E \times V$. Burada $A$ saldırı yüzeyi, $E$ erişilebilirlik, $V$ ise zafiyet olasılığıdır. Bilgi toplama, bu üç değişkeni daha net ölçmeye yarar.

Nmap, aktif keşif tarafının İsviçre çakısı gibidir. Bir ağı haritalamak, açık portları görmek ve servislerin sürümlerini tahmin etmek için kullanılır. Örneğin kendi test makinenizde şu komut, yaygın portları ve servis bilgilerini listeler:

nmap -sV -O 192.168.56.10

Burada -sV servis sürüm tespiti yapar, -O işletim sistemi tahminini dener. Sonuçta 22/tcp üzerinde OpenSSH, 80/tcp üzerinde Nginx gibi bilgiler görebilirsiniz. Ancak çıktıyı büyülü kehanet gibi değil, olasılık tablosu gibi okumak gerekir. Nmap paket davranışlarından tahmin yapar; güvenlik duvarları, ters proxyler veya honeypotlar sonuçları yanıltabilir.

Maltego ise ilişkileri görselleştirme konusunda parlıyor. Bir alan adından başlayıp DNS kayıtlarına, alt alan adlarına, e-posta desenlerine, sosyal medya izlerine ve şirket bağlantılarına uzanan bir grafik çıkarabilir. Maltego’nun gücü tek bir veriden çok, düğümler arasındaki ilişkiyi göstermesidir. Örneğin bir e-posta adresinin aynı zamanda sızmış veri kümelerinde, GitHub commitlerinde ve kurum sayfalarında görünmesi, savunma ekibine farkındalık eğitimi veya erişim politikası açısından sinyal verebilir.

Recon-ng, terminal sevenler için modüler bir OSINT çatısıdır. Metasploit benzeri bir çalışma akışı vardır: workspace oluştur, modül seç, kaynak ekle, sonucu tabloya yaz. Kendi alan adınız üzerinde pasif keşif yaparken şöyle bir akış kullanılabilir:

recon-ng
workspaces create lab
marketplace search domains
modules load recon/domains-hosts/hackertarget
options set SOURCE example.com
run
show hosts

Bu komutlar, seçilen modül destekliyorsa example.com için host kayıtlarını toplar ve veritabanında saklar. Recon-ng’nin güzel tarafı, çıktıları düzenli tutmasıdır; böylece bulunan alt alan adlarını daha sonra Nmap ile doğrulayabilir veya Maltego grafiğine aktarabilirsiniz.

Pratikte iyi bir bilgi toplama süreci sırayla ilerler: kapsamı belirle, pasif kaynaklardan veri topla, veriyi temizle, aktif taramayı yalnızca izinli aralıkta çalıştır, sonuçları ilişkilendir ve raporla. En sık yapılan hata, araç çıktısını doğrudan gerçek kabul etmektir. Oysa aynı IP üzerinde CDN, paylaşımlı hosting veya bulut yük dengeleyici olabilir. Bu yüzden her bulguya güven puanı vermek faydalıdır: $G = \frac{D}{T}$ gibi basit bir oran düşünebiliriz; burada $D$ doğrulanan kaynak sayısı, $T$ toplam iddia sayısıdır.

Sonuç olarak Nmap sana teknik kapıları, Maltego ilişkisel haritayı, Recon-ng ise tekrarlanabilir OSINT akışını sunar. Üçünü birlikte kullandığında hedefin dijital siluetini daha net görürsün. Ama unutma: iyi bir güvenlik uzmanını araç listesi değil, etik sınırları, metodolojisi ve bulguları doğru yorumlama becerisi güçlü yapar.