Comparatıve analysıs of machıne learnıng technıquesfor ransomware detectıon
Fidye yazılımı tespitinde makine öğrenmesi tekniklerinin karşılaştırmalı analizi
- Tez No: 1010483
- Danışmanlar: DR. ÖĞR. ÜYESİ AHMED EL-HADAD, DR. ÖĞR. ÜYESİ AHMET NACİ ÜNAL
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Fidye yazılımı (ransomware), bireyler, kurumlar ve kritik altyapılar için ciddi riskler oluşturan, en tehlikeli ve hızla evrim geçiren siber tehditlerden biri hâline gelmiştir. Bu zorluklara yanıt olarak, bu tez fidye yazılımı tespitinde klasik makine öğrenmesi tekniklerinin etkinliğini değerlendiren kapsamlı bir karşılaştırmalı analiz sunmaktadır. Çalışmada, Lojistik Regresyon (LR), Rastgele Orman (RF), Destek Vektör Makineleri (SVM), K-En Yakın Komşu (KNN) ve Aşırı Gradyan Artırma (XGBoost) olmak üzere beş denetimli makine öğrenmesi modeli değerlendirilmiştir. Araştırma kapsamında, fidye yazılımına özgü veri filtreleme, veri temizleme, sınıf dengeleme, özellik normalizasyonu ve üç katlı çapraz doğrulama adımlarını içeren birleşik ve tekrarlanabilir bir deneysel iş akışı tasarlanmıştır. Model performansı; doğruluk, kesinlik, duyarlılık, F1-skoru, ROC-AUC, PR-AUC, karmaşıklık matrisleri ve yürütme süresi analizi gibi standart sınıflandırma ölçütleri kullanılarak değerlendirilmiştir. Ayrıca, yorumlanabilirliği artırmak ve tespit kararlarını yönlendiren en etkili davranışsal göstergeleri belirlemek amacıyla, topluluk (ensemble) tabanlı modeller üzerinden özellik önem analizi gerçekleştirilmiştir. Deneysel sonuçlar, özellikle Rastgele Orman ve XGBoost olmak üzere ensemble öğrenme yaklaşımlarının, her iki veri kümesinde de doğrusal ve mesafe tabanlı sınıflandırıcılara kıyasla tutarlı biçimde üstün performans sergilediğini ortaya koymaktadır. Bu modeller, Ransomware Dataset 2024 üzerinde %98'in üzerinde tespit doğruluğu sağlarken, CIC-MalMem-2022 veri kümesinde neredeyse kusursuz sonuçlar elde etmiştir. Lojistik Regresyon ve SVM güçlü bir temel performans sunmasına rağmen, heterojen ve doğrusal olmayan fidye yazılımı davranışları karşısında duyarlılık değerlerinde düşüş gözlemlenmiştir. Yürütme süresi analizi ise tespit doğruluğu ile hesaplama verimliliği arasında bir denge bulunduğunu göstermekte; Lojistik Regresyon en hızlı çıkarımı sağlarken, Rastgele Orman doğruluk, sağlamlık ve dağıtım açısından en dengeli çözüm olarak öne çıkmaktadır. Elde edilen bulgular, ensemble tabanlı makine öğrenmesi modellerinin karmaşık fidye yazılımı davranışlarını yakalamada son derece etkili olduğunu ve farklı fidye yazılımı aileleri arasında üstün genelleme yeteneği sunduğunu doğrulamaktadır.
Özet (Çeviri)
Ransomware has become a cyber threat of fast-growing complexities and adverse effects on individuals, organizations, and critical infrastructures. The study evaluates the performance of five supervised machine learning models, namely, Logistic Regression (LR), Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbors (kNN) and Extreme Gradient Boosting (XGBoost) by using two datasets, i.e., CIC-MalMem-2022 and Ransomware Dataset 2024. A unified and reproducible experimental pipeline was designed which included data filtering, data cleansing, class balancing, feature normalization, and three-fold cross validation scheme. Model performance was calculated using traditional classification measures, which include accuracy, precision, recall, F1-score, ROC- AUC, PR-AUC, confusion matrices, and execution time measures. The experimental results show that the ensemble learning methods, Random Forest and XGBoost, are better than the classifiers on two datasets, achieving the detection accuracies larger than 98% on the Ransomware 2024 dataset and reaching nearly 100% on the CIC-MalMem-2022 dataset. Logistic Regression and SVM have strong performance levels initially, but they perform less well when dealing with heterogeneous and non-linear ransomware behaviors in terms of recall. An analysis of the execution time demonstrates the tradeoff between the accuracy of the detection and the efficiency of the calculation: Logistic Regression provides the fastest inference, but Random Forest offers the best tradeoff between accuracy, robustness, and practical deployability. The results validate the use of ensemble-based machine learning algorithms to be highly effective in capturing the complexity of ransomware behaviors and providing superior generalization on different ransomware families.
Benzer Tezler
- Turkish makam classification using machine learning techniques: A comparative analysis of MIDI and XML data formats
Makine öğrenmesi teknikleri ile Türk makamı sınıflandırması: MIDI ve XML veri formatlarının karşılaştırmalı bir analizi
MUAMMER TAHA CEREN
Yüksek Lisans
İngilizce
2026
Müzikİstanbul Okan ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NİGAR TUĞBAGÜL ALTAN GÜLGÜN
- Network monitoring system using machine learning comparative analysis of classification techniques for network traffic monitoring
Makine öğrenmesi ile ağ izleme sistemi ağ trafik izleme için sınıflandırma tekniklerinin karşılaştırmalı analizi
BAYRAM KOTAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHasan Kalyoncu ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MOHAMMED K.M. MADI
- Kripto para fiyatlarının tahmininde makine öğrenmesi modellerinin karşılaştırmalı analizi ve ÇKKV teknikleri ile en iyi yöntemin belirlenmesi
Comparative analysis of machine learning models for cryptocurrency price prediction and selection of the optimal method using MCDM techniques
YUNUS EMRE KORKMAZ
- Veri anonimleştirme tekniklerinin makine öğrenmesi ile sınıflandırma performansı üzerindeki etkilerinin karşılaştırmalı analizi
Comparative analysis of the effects of data anonymization techniques on classification performance i̇n machine learning
ZEHRA BEGÜM AKTOLGA
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU
- Saldırı tespit sistemlerinde makine öğrenmesi tekniklerinin kullanılması: Karşılaştırmalı performans analizi
Use of machine learning techniques in intrusion detection systems: Comparative analysis of performance
ÇETİN KAYA
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
ÖĞR. GÖR. OKTAY YILDIZ