Yapay zekâ destekli siber savunma: Derin öğrenme ile zararlı yazılımlara karşı etkin mücadele
Artificial intelligence supported cyber defense: Effective fight against malware with deep learning
- Tez No: 1025417
- Danışmanlar: DR. ÖĞR. ÜYESİ İLHAN FIRAT KILINÇER
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Adli Bilişim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Teknolojinin gelişmesi ile beraberinde sistemler üzerinde gerçekleştirilen saldırılar artmakta ve tespiti zorlaşmaktadır. Bu durum sonucunda zararlı yazılımlar için kullanılan yöntemler yetersiz kalmakta ve daha etkili yöntemlere ihtiyaç duyulmaktadır. Çalışmada zararlı yazılımların tespiti ve sınıflandırılması amacıyla derin öğrenme modellerini içeren bir yaklaşım önerilmektedir. Çalışma kapsamında bellek tabanlı zararlı yazılım davranışını analizini gerçekleştiren ve analiz sonuçlarına göres sınıflandırma yapan model önerilmiştir. Çalışma kapsamında bellek tabanlı (RAM) yazılım davranışlarının analiz sonuçlarını içeren veri kümesi incelenmiştir. Gerçekleştirilen incelemeler sonucunda Canadian Insitute for Cybersecurity (CIC) tarafından oluşturulan CIC-MalMem-2022 veri kümesi tercih edilmiştir. Veri kümesi toplamda 59,596 veri içermekte olup verilerin 29,298' i kötü amaçlı yazılım (malware) ve 29,298' i normal (benign) olarak etiketlenmiştir. Veri kümesinde bulunan zararlı yazılım örnekleri Benign, Trojan, Spyware ve Ransomware olarak kategorilere ayrılmıştır. Veri kümesinde örnek sayısının dengeli olması sınıflandırma algoritmaları için avantaj oluşturmaktadır. Bu tez çalışmasında, zararlı yazılımların sınıflandırılması için derin öğrenme modellerini temel alan 1D Convolutional Neural Network (1D CNN), Bidirectional Long Short-Term Memory (BiLSTM), Attention Layer ve Dense Layer model geliştirilmiştir. Zararlı yazılımların sınıflandırılması için geliştirilen model sonucunda önerilen veri seti üzerinde ikili sınıflandırmada %99,98 ve çoklu sınıflandırmada %92,36 doğruluk oranı elde edilmiştir. Elde edilen sonuç önerilen veri seti ve geliştirilen modelin zararlı yazılımların sınıflandırılmasındaki gücünü gözler önüne sermektedir.
Özet (Çeviri)
As technology advances, attacks on systems are on the rise and becoming harder to detect. As a result, the methods currently used to combat malware are proving inadequate, and more effective methods are needed. The study proposes an approach that incorporates deep learning models for the detection and classification of malware. This study proposes a model that analyzes memory-based malware behavior and classifies it based on the analysis results. As part of this study, a dataset containing the analysis results of memory-based (RAM) software behavior was examined. Following the reviews conducted, the CIC-MalMem-2022 dataset, created by the Canadian Institute for Cybersecurity (CIC), was selected. The dataset contains a total of 59,596 data points, of which 29,298 are labeled as malicious software (malware) and 29,298 as benign. The malware samples in the dataset are categorized as Benign, Trojan, Spyware, and Ransomware. The balanced distribution of sample counts in the dataset provides an advantage for classification algorithms. In this thesis, a 1D Convolutional Neural Network (1D CNN), a Bidirectional Long Short-Term Memory (BiLSTM), an Attention Layer, and a Dense Layer model—all based on deep learning models—were developed for the classification of malware. As a result of the model developed for classifying malware, an accuracy rate of 99.97% was achieved in binary classification and 93.16% in multi-class classification on the recommended dataset. The results obtained demonstrate the effectiveness of the proposed dataset and the developed model in classifying malware.
Benzer Tezler
- Oltalama saldırılarının derin öğrenme tabanlı URL ve içerik analizi ile hibrit tespiti
Detection of phishing attacks by using deep learning based hybrid URL and content analysis
MEHMET KORKMAZ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BANU DİRİ
PROF. DR. ÖZGÜR KORAY ŞAHİNGÖZ
- Elastic stack ve makine öğrenmesi ile IoT güvenliği: Dos saldırılarına karşı akıllı savunma sistemi
IoI security with elastic stack and machine learning: Intelligent defence system against Dos attacks
TUĞRUL YAĞBASAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGümüşhane ÜniversitesiYapay Zeka ve Akıllı Sistemler Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAYATİ TÜRE
- Siber savunma stratejilerinde yapay zeka entegrasyonun etkisi
The impact of artificial intelligence integration in cyber defense strategies
NİSA KEFELİOĞLU
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriBandırma Onyedi Eylül ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEYNEP ÖZER
- Yapay zekâ destekli malware başlatıcısı aımal
Artificially intelligent malware launcher - aimal
ENDRİT SHAQİRİ
Yüksek Lisans
İngilizce
2026
İstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DOÇ. DR. ENVER ÖZDEMİR
- Hibrit savaşlarda yeni dönem: Yapay zekâ teknolojileri destekli psikolojik harekat
New era in hybrid wars: Psychological operations supported by artificial intelligence technologies
KADİR UZGUR
Yüksek Lisans
Türkçe
2025
Savunma ve Savunma Teknolojileriİstanbul Aydın ÜniversitesiSiyaset Bilimi ve Uluslararası İlişkiler Ana Bilim Dalı
DR. ÖZGÜR TÖR