The role of LLMs in python packing
Python paketleme sürecinde büyük dil modellerinin rolü
- Tez No: 1007918
- Danışmanlar: DR. ÖĞR. ÜYESİ FEYZULLAH ORÇUN ÇETİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Siber Güvenlik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Büyük dil modelleri (LLM'ler) yazılım geliştirme ve siber güvenlik iş akışlarına giderek daha fazla entegre edilse de, yazılım paketleme metodolojilerini ve tersine mühendisliğe karşı koymak için tasarlanmış savunma mekanizmalarını iyileştirmedeki etkinlikleri henüz kapsamlı bir şekilde incelenmemiştir. Bu çalışma, Python projelerini şifreleyen ve paketleyen, kullanıcı istemlerine göre LLM'lere yönlendirilen uyarlanabilir tersine mühendislik karşıtı mekanizmaları otomatik olarak üreten ve doğrulayan ve bu bileşenleri birleşik, bağımsız bir çalıştırılabilir dosyaya derleyen yeni bir koruma hattı sunmaktadır. Tez, iki deneysel çalışma sunmaktadır. Birinci deney, 14 farklı istem senaryosunda GPT-4o, Gemini-2.5-Flash ve Grok-4-Fast'i değerlendirirken, ikinci deney 21 istem senaryosu kullanarak GPT-5.2-Codex, Gemini-3-Flash ve Grok-4.1-Fast'i incelemektedir. Her iki deneyde de amaç, bu modelleri üç koruma mekanizmasını içeren savunma amaçlı C kodu üretmeye teşvik ederek Python paketlemesini güçlendirmektir: sanal makine karşıtı (anti-vm), hata ayıklama karşıtı ve dinamik analiz karşıtı kontroller. İlk deneyde, GPT-4o genel olarak en tutarlı sonuçları vermiştir. Grok-4-Fast, GPT-4o ile karşılaştırılabilir bir performans sergilemiş; ancak zaman zaman sanal makine karşıtı kontrollerin oluşturulmasında küçük tutarsızlıklar göstermiştir. Gemini-2.5-Flash ise nispeten daha düşük tutarlılık sergileyerek genellikle yanlış yapılandırılmış kodlar üretmiş veya temel savunma kontrollerini içermemiştir. İkinci deneyde Gemini-3-Flash, diğer modellere göre daha hızlı sonuçlar üretse de çıktılar genellikle eksik kalmış; en sık sorunlar ise yüksek başarısızlık oranı gösteren dinamik analiz karşıtı kontrollerde görülmüştür.
Özet (Çeviri)
Although large language models (LLMs) are increasingly integrated into software development and cybersecurity workflows, their effectiveness in improving software packing methodologies and defensive mechanisms designed to resist reverse engineering has not yet been comprehensively examined. This study introduces a novel protection pipeline that encrypts and bundles Python projects, automatically generates and validates adaptive anti–reverse engineering mechanisms guided by user prompts to LLMs, and compiles these components into a unified standalone executable. The thesis presents two experimental studies. The first experiment evaluates GPT-4o, Gemini-2.5-Flash, and Grok-4-Fast across 14 distinct prompt scenarios, while the second experiment examines GPT-5.2-Codex, Gemini-3-Flash, and Grok-4.1-Fast using 21 prompt scenarios. In both experiments, the objective is to strengthen Python packing by prompting these models to generate defensive C code incorporating three protection mechanisms: anti-virtual-machine (anti-vm), anti-debugging, and anti-dynamic-analysis checks. In the first experiment, GPT-4o gave the most consistent results overall. Grok-4-Fast demonstrated performance comparable to GPT-4o but occasionally exhibited minor inconsistencies in generating anti-vm checks. Gemini-2.5-Flash demonstrated comparatively lower consistency, often generating improperly structured code or failing to include essential defensive checks. In the second experiment, Gemini produced results more quickly than the other models. However, Gemini outputs were frequently incomplete. Following anti-vm mechanisms, the next most frequent implementation issues were observed in anti-dynamic-analysis checks, which also exhibited a relatively high failure rate.
Benzer Tezler
- Promptshıeld: polıcy-aware data loss preventıon framework for generatıve AI prompts
Promptshıeld: Politika farkındalıklı üretken yapay zekâ istemleri için veri kaybı önleme çerçevesi
EZGİ KELEŞ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞERİF BAHTİYAR
- MultiAIGCD: Çoklu model, dil, istem ve senaryolarda yapay zeka tarafından oluşturulan kodların tespiti için yeni bir veri kümesi
MultiAIGCD: A new dataset for detecting ai-generated codes across multiple models, languages, prompts, and scenarios
GÖKÇE BAŞAK DEMİROK
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTobb Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET MURAT ÖZBAYOĞLU
DR. MÜCAHİD KUTLU
- Türkçe e-ticaret yorumlarında transformer tabanlı duygu analizi
Transformer-based sentiment analysis on Turkish e-commerce reviews
MUHAMMET ŞAMİL İKİZOĞLU
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUNCAY ÖZCAN
- Üretra darlığı tanısında üretrografinin yorumlanmasında ve tedavi planlamasında yapay zekânın yeri
The role of artificial intelligence in the interpretation of urethrography and treatment planning in the diagnosis of urethral stricture
SEYFETTİN ANIL TANTEKİN
- E-ticarette yapay zekâ kullanımının önemi
The importance of using artificial intelligence in e-commerce
MUHAMMET ÇELİK
Yüksek Lisans
Türkçe
2025
Uluslararası TicaretBurdur Mehmet Akif Ersoy ÜniversitesiGümrük İşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜREYYA KOVACI