Android işletim sistemlerinde zararlı yazılım tespitine yönelik hibrit analiz ve özellik seçimi temelli yaklaşım
A hybrid analysis and feature selection based approach to malware detection in android operating system
- Tez No: 1017091
- Danışmanlar: DOÇ. DR. ÖNDER DEMİR, DR. ÖĞR. ÜYESİ ESRA ÇALIK BAYAZIT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Makine öğrenmesi yöntemleri, Machine learning methods
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Mobil teknolojilerin yaygınlaşmasıyla birlikte Android işletim sistemi, siber saldırganlar tarafından en fazla hedef alınan platformlardan biri hâline gelmiştir. Android uygulamaları üzerinden yayılan zararlı yazılımlar; kullanıcı verilerinin yetkisiz erişime maruz kalmasına, finansal kayıplara ve sistem güvenliğinin zedelenmesine neden olabilmektedir. Bu durum, Android uygulamalarında zararlı yazılımların erken ve doğru biçimde tespit edilmesini mobil güvenliğin temel gereksinimlerinden biri hâline getirmektedir. Bu tezde, Android zararlı yazılımlarının tespiti amacıyla makine öğrenmesi ve derin öğrenme yöntemlerini bir araya getiren hibrit bir sınıflandırma yaklaşımı önerilmiştir. Deneylerde statik ve dinamik özellikler içeren CIC-MalDroid-2020 veri kümesi kullanılmıştır. Veri kümesine özellik seçimi, normalizasyon, etiket kodlama ve sınıf dengesizliğinin giderilmesine yönelik ön işleme adımları uygulanmıştır. Özellik seçimi aşamasında veri kümesindeki en ayırt edici öznitelikler belirlenmiş, veriler normalizasyon yöntemi ile ölçeklendirilmiş, sınıf etiketleri Label Encoding yöntemiyle sayısal değerlere dönüştürülmüş ve sınıf dağılımındaki dengesizliğin azaltılması amacıyla SMOTE tekniğinden yararlanılmıştır. Önerilen yaklaşım kapsamında Random Forest (RF), Support Vector Machine (SVM), K Nearest Neighbor (KNN), Decision Tree (DT), Light Gradient Boosting Machine (LGBM) ve Extreme Gradient Boosting (XGB) algoritmalarından oluşan makine öğrenmesi modelleri ile Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional Long Short-Term Memory (BiLSTM), Transformer ve hibrit CNN-LSTM mimarilerinden oluşan derin öğrenme modelleri geliştirilmiştir. Modeller; Adware, Banking Malware, Riskware, SMS Malware ve Benign olmak üzere beş farklı sınıfın belirlenmesi amacıyla eğitilmiş ve test edilmiştir. Model performansları doğruluk (Accuracy), kesinlik (Precision), geri çağırma (Recall), F1 puanı ve karışıklık matrisi (Confusion Matrix) kullanılarak değerlendirilmiştir. Ayrıca test süresi ve test belleği kullanımı gibi hesaplama maliyeti ölçütleri de analiz edilmiştir. Elde edilen sonuçlar, özellikle LGBM ve XGB algoritmalarının sınıflandırma başarımı açısından diğer yöntemlere kıyasla daha yüksek performans sergilediğini göstermiştir. Bulgular, Android zararlı yazılım verilerinde bulunan karmaşık ve doğrusal olmayan ilişkilerin ağaç tabanlı öğrenme algoritmaları tarafından daha etkin şekilde modellenebildiğini ortaya koymaktadır. Sonuç olarak bu çalışma, Android zararlı yazılım tespiti probleminde farklı makine öğrenmesi ve derin öğrenme yöntemlerinin performans ve hesaplama maliyeti açısından kapsamlı bir karşılaştırmasını sunmaktadır. Elde edilen bulgular, önerilen yaklaşımın mobil güvenlik sistemlerinde uygulanabilecek etkili, ölçeklenebilir ve pratik bir zararlı yazılım tespit mekanizması olduğunu göstermektedir.
Özet (Çeviri)
The widespread adoption of smart mobile devices has made the Android operating system one of the primary targets of cyber threats. Malicious Android applications may lead to unauthorized access to sensitive user information, financial losses, and compromises of system integrity. Consequently, the timely and accurate identification of malicious applications has become a critical requirement for maintaining mobile platform security. This thesis proposes a hybrid malware detection framework that integrates both machine learning and deep learning techniques for Android applications. The CIC-MalDroid-2020 dataset, which contains both static and dynamic application features, was employed throughout the study. To improve the effectiveness of the classification process, several data preprocessing steps were performed. First, feature selection techniques were applied to identify the most informative attributes. Subsequently, feature normalization was conducted to standardize the data distribution. Class labels were transformed into numerical representations using the Label Encoding method, and the SMOTE was utilized to mitigate class imbalance within the dataset. A comprehensive set of machine learning and deep learning models was evaluated under the proposed framework. The machine learning group included RF, SVM, KNN, DT, LGBM and XGB. The deep learning models consisted of CNN, LSTM, GRU, BiLSTM, Transformer architectures and a hybrid CNN-LSTM model. All models were trained and tested to classify Android applications into five categories: Adware, Banking Malware, Riskware, SMS Malware, and Benign. Model effectiveness was assessed using multiple evaluation metrics, including Accuracy, Precision, Recall, F1-Score, and Confusion Matrix analysis. In addition, computational efficiency was examined through test execution time and memory consumption measurements. This evaluation strategy enabled a balanced comparison of both predictive performance and resource utilization characteristics. Experimental findings indicate that LGBM and XGB models consistently achieved superior results in terms of classification accuracy and F1-Score when compared with the other evaluated approaches. The results suggest that tree-based learning algorithms are particularly effective at capturing the complex and non-linear relationships inherent in Android malware datasets. The outcomes of this research provide a comprehensive comparative analysis of machine learning and deep learning methods for Android malware detection from both performance and computational cost perspectives. Furthermore, the proposed framework demonstrates its potential as an effective, practical, and scalable malware detection solution that can be integrated into modern mobile security environments.
Benzer Tezler
- Android sistemlerde derin öğrenme tabanlı kötü amaçlı yazılım tespit sistemi
Deep learning based malware detection system on android systems
ESRA ÇALIK BAYAZIT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BUKET DOĞAN
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Detection of sources being used on ddos attacks
Ddos ataklarında kullanılan kaynakların tespiti
YALDA MOTEVAKELKHOSROSHAHI
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. ENVER ÖZDEMİR
- Android authorship attribution using source code-based features
Kaynak kodu tabanlı özellikler kullanılarak Android yazarlık ilişkilendirmesi
EMRE AYDOĞAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SEVİL ŞEN AKAGÜNDÜZ
- Санариптик криминалистика:“виртуалдык”дүйнөдө кылмыш аракеттеринин санариптик изин аныктоо
Dijital adli bilişim:“sanal”dünyada suç eylemlerinin dijital izlerinin tespit edilmesi
TAAVALDIEV KYLYCHBEK
Yüksek Lisans
Kırgızca
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırgızistan-Türkiye Manas ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİLOVA RİTA
- Maksimum doluluk ve azaltılmış çevresel etki ile yolculuk paylaşım mobil uygulaması
Journey sharing mobile application with maximum occupancy and reduced environmental impact
RİFAİ KUÇİ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ HAKAN IŞIK