A comparative analysis of transfer learning approaches for malware classification using convolutional neural networks
Evrişimsel sinir ağları kullanılarak kötü amaçlı yazılım sınıflandırması için transfer öğrenme yaklaşımlarının karşılaştırmalı analizi
- Tez No: 1005243
- Danışmanlar: DOÇ. ABDUL HAFEZ ABDUL HAFEZ
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kötü amaçlı yazılımlar, trojanlar, solucanlar, casus yazılımlar, fidye yazılımları, virüsler ve donanımlar gibi çeşitli kötü amaçlı yazılımları kapsayan bilgisayar sistemlerinin güvenilirliği ve emniyeti için önemli bir tehlike oluşturur. Bu çalışma, evrişimli sinir ağları (CNN'ler) kullanarak kötü amaçlı yazılımları aileye göre gruplandırmak için transfer öğrenme yaklaşımlarının karşılaştırmalı analizini araştırdı. EfficientNetB0, ResNet50, DenseNet169 ve InceptionResNetV2 gibi en iyi performans gösteren mimarilerden transfer öğrenmesi kullanılarak. MalImg ve MaleVis eğitim verileri, kötü amaçlı yazılım analiz alanında tanınmış ölçütler olan CNN modellerini eğitmek ve doğrulamak için kullanıldı. Kapsamlı deneyler ve değerlendirmeler yoluyla, önerilen yaklaşım sınıflandırmadan sonra %77 ile %96 arasında değişen etkileyici doğruluklara ulaştı. Sonuçlar, çeşitli mimarileri kullanan transfer öğrenmesinin doğruluk tabanlı kötü amaçlı yazılım sınıflandırma görevlerinde CNN'lerin performansını iyileştirme kapasitesini gösterdi.
Özet (Çeviri)
Malware presents a considerable danger to the reliability and safety of computer systems, covering a diverse array of malicious software, comprising trojans, worms, spyware, ransomware, viruses and hardware. This study explored the comparative analysis of transfer learning approaches for grouping malwares by family using convolutional neural networks (CNNs). By employing transfer learning from top-performing architectures, such as EfficientNetB0, ResNet50, DenseNet169, and InceptionResNetV2. MalImg and MaleVis training data were employed to train and validate the CNN models, which are renowned benchmarks in the malware analysis field. Through extensive experimentation and evaluation, the suggested approach achieved impressive accuracies, ranging from 77% to 96% after classification. The results demonstrated the capacity of transfer learning employing various architectures to improve the performance of CNNs in accuracy-based malware classification tasks
Benzer Tezler
- A comparative analysis of deep learning architectures for breast cancer detection in ultrasound imaging
Ultrason görüntülemede meme kanserinin tespitine yönelik derin öğrenme mimarisinin karşılaştırmalı bir analizi
MUHAMMAD ARSALAN IRSHAD
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiAntalya Bilim ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. YUSUF ÖZTÜRK
- Geleneksel AUTOML'e karşı meta öğrenme tabanlı AUTOML: Sağlık sektöründe karşılaştırmalı bir çalışma
A comparative analysis of meta-learning-based and traditional automl approaches in healthcare applications
FURKAN DURMUŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOndokuz Mayıs ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ERDAL KILIÇ
- Kavram ve genelleme yapısının doğrudan öğretiminin ve örtük olarak öğrenilmesinin sınıflama ve açıklama davranışına sınıflama ve açıklama davranışının kalıcılığına ve transfere etkisi
The effect of explicit instruction and implicit learning of the concept and generalization structure on the classification and explanation behaviour, retention of the classification and explanation behaviour and transfer
MÜKERREM AKBULUT TAŞ
Doktora
Türkçe
2010
Eğitim ve ÖğretimÇukurova ÜniversitesiEğitim Bilimleri Ana Bilim Dalı
YRD. DOÇ. DR. MAHİNUR KARATAŞ ÇOŞKUN
- İran ve Türkiyedeki improvizasyon (Taksim) eğitimi sürecinin çalgı eğitimcilerinin görüşleri çerçevesinde karşılaştırması
A comparative study of the improvisation (Taksim) teaching process in Iran and Turkey through the views of instrument educators
SOROUSH SHAMS
Yüksek Lisans
Türkçe
2025
MüzikAnkara Müzik ve Güzel Sanatlar ÜniversitesiMüzik Eğitimi Ana Bilim Dalı
PROF. DR. AHMET FEYZİ
- Derin öğrenme algoritmaları ile personel geri bildirimlerinin sınıflandırılması ve analizi
Classification and analysis of employee feedback with deep learning algorithms
GÖKHAN YİĞİDEFE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN